45% 的多语言安全失败，只有本地化测试才抓得到

大模型的安全对齐有一个对非英语用户不公平的事实：红队测试在非英语语言上远比英语有效，同一句有害请求翻译成本地语言后，模型可能照答不误。苏黎世联邦理工瑞士 AI 项目的 MSafeTemp（arXiv 2610.40516）把修补这件事做成了可复制的管线：模板化生成 44 种语言、约 180 万条经过验证的安全训练数据。

管线的巧思在「抽词成模板」：把有害提示里的致害词语抽出来换成带类型标签的占位符，得到抽象模板，避开生成模型自己的拒绝，再翻译模板、按语言回填占位符。三条增强分支各管一件事：TR 管翻译加通用填充的有害变体，OR 管良性最小对控制过度拒绝，PH 用各语言的「文化卡」本地实体做文化本地化变体。生成与评判模型刻意来自不同家族，文化卡再由另一个模型校验。

几个数字按论文口径值得记：英文提示翻译后，Olmo 在 HarmBench 上的攻击成功率从 0% 升到 13.7%，翻译变体让四个模型的攻击成功率提高 2.4 到 4.4 倍；约 45% 的特定分支失败只在文化本地化变体下出现，翻译变体根本测不出来。人工验证走的是 IRB 批准流程，15 名评审、11 种语言、600 次打分，自然度 4.43 分、文化契合 4.46 分。

训练效果同样有数据：SFT 大幅降低多语言攻击成功率（MMLU 略损、GSM8K 损更多），再用 on-policy DPO 压过度拒绝；在训练集未包含的语言上也有接近的提升，说明跨语言迁移成立。数据与代码以宽松许可开源。做多语言产品的团队，这条管线可以直接抄来补自家模型的语言安全洼地。