derogatory-speech

这篇arXiv论文对五种前沿LLM在原生孟加拉语贬损言语上的表现进行了审计，发现安全对齐未能泛化到低资源语言——尽管有高资源对齐，模型仍以高比率理解和生成不安全内容。作者提出了“理解-遏制解耦”概念，并表明推理和人格框架会进一步瓦解安全过滤器。