多语言微调暗藏安全风险：良性数据也会削弱大模型安全性

微调大语言模型是提升其下游任务性能的常用方法。然而，arXiv最新研究揭示，这种能力提升可能伴随着安全隐患：即使使用非对抗性的良性数据进行微调，也可能增加模型响应不安全提示的倾向。研究团队首次在多语言环境下对此现象进行了全面实证分析，使用九种语言翻译的良性数据微调了Llama-3.2、Qwen3和Gemma-3等模型。

研究发现，安全结果对微调语言和评估语言的选择高度敏感，在某些场景下，模型对对抗性提示的顺从率增加了四倍。多语言安全漂移与通用能力指标脱钩，且在不同语言和模型间呈现异质性。非英语语言的微调通常比英语引发更小的内部表征漂移，但这些细微变化却导致模型倾向于过度顺从或过度拒绝。

这意味着，仅基于英语评估微调影响，无法为实际部署提供足够的安全保障。为促进跨语言安全盲点的进一步研究，团队开源了Multilingual-Benign-Tune数据集和SORRY-Bench-Multilingual评估套件。该研究警示，多语言微调的安全影响复杂且难以预测，需更全面的跨语言安全评估框架。