ACL 2026 | 7000种语言怎么教？清华阿里找准语义瓶颈，通关多语言安全

本文针对大语言模型在多语言场景下安全表现不均衡的问题，提出基于语义瓶颈层的语言无关对齐方法LASA。研究背景显示，现有安全对齐方案对低资源语言覆盖不足，而人类的安全理解可自然跨语言泛化。研究目的旨在揭示大模型表征空间中语义与语言的分离机制，并利用该机制实现安全能力的跨语言迁移。通过逐层Silhouette分数分析，研究团队发现模型中间层（相对深度43%-68%）存在语义瓶颈层，该层不同语言的相同语义表征自然聚拢，语言身份干扰最小。基于此，LASA框架三步实现对齐：定位瓶颈层、训练轻量安全语义解释器(SSI)提取安全信号、通过条件注入将语义信号映射为生成行为。实验在Llama-3.1-8B、Qwen2.5/3系列（7B-32B）上验证，在MultiJail和HarmBench_translated基准上，LASA显著降低攻击成功率（如Llama-3.1-8B平均ASR从24.7%降至2.8%），且不损害通用能力。结论表明，LASA通过锚定语义瓶颈层实现了跨语言安全对齐的自然泛化，无需为每种语言收集安全数据，为多语言大模型安全提供了高效新范式。