知识卡片：通过模板扩展多语言安全训练

一句话结论

论文提出基于模板的可扩展数据增强流程，从有害提示中抽取安全模板、翻译后填充文化本地化实体，构建覆盖60种语言的MSafeTemp语料，用于多语言安全对齐与评测。

事件概述或研究问题

大语言模型的安全对齐高度集中于英语，多语言（尤其低资源语言）代表性不足；现有开放训练数据集规模有限，且往往不覆盖区域本地化的有害话题。论文试图解决两个问题：一是如何以可扩展方式生成大规模多语言拒答与良性语料，二是英语单语评测是否低估了多语言安全风险。

方法/产品要点

• 模板抽取与填充流程：从有害提示中提取“安全模板”，翻译模板，再用文化上真实的实体（有害与良性两类）填充槽位，生成多语言拒答语料与良性语料。
• 发布MSafeTemp：经校验、覆盖60种语言的语料库，可用于多语言安全对齐与评测。
• 训练增强：用模板方式扩充安全训练数据，提升对齐的多样性与质量。
• 评测对比：使用该数据集检验英语单语评测与多语言/文化本地化变体下的模型安全表现差异。

主要结果或产业意义

• 英语单语评测会误判多语言安全：对若干模型而言，在英语中失败的攻击一旦翻译到其他语言即成功。
• 文化本地化变体会暴露翻译本身无法覆盖的额外失败。
• 通过模板增强安全训练数据，可在英语之外获得更好的安全表现，说明该方法对低代表性文化的模型安全研发具有实用价值。

为什么重要

安全对齐的“英语中心”假设在跨语言部署中可能系统性低估风险；该工作把评测盲区（翻译攻击、文化本地化攻击）与训练数据供给（可扩展模板管线）放在同一闭环中，为多语言安全对齐提供了可复用的数据与流程。与既有关于训练数据生成与扩展的卡片相比，本条增量在于把“模板化数据增强”明确用于多语言安全对齐，并给出英语评测失效的实证观察。

局限与不确定性

• 模板抽取、翻译与槽位填充的具体实现细节、规模数字与人工校验流程，摘要未展开，待核实。
• “若干模型”的具体清单、攻击成功率变化幅度与实验设置，待核实。
• MSafeTemp的许可协议、数据来源与污染风险，待核实。
• 文化本地化实体的构造方式与覆盖度，待核实。

可用于图书/PPT/简报的角度

• “英语安全≠多语言安全”：翻译攻击与文化本地化攻击的两级失效示意。
• 数据侧解法：模板抽取—翻译—槽位填充的管线图，可作为“低成本扩展多语言对齐数据”的案例。
• 评测方法论：单语基准的盲区与多语言红队的必要性。
• 低资源语言与代表性不足文化的负责任模型开发。

原始材料

• 标题：How I Aligned Your Model: Scaling Up Multilingual Safety Training with Templates
• 作者：Max Neuwinger, Hanna Yukhymenko, Imanol Schlag
• arXiv ID：2610.40516v1（cs.CL；cs.AI, cs.LG）
• 发布/更新：2026-10-29T17:26:02Z
• Abstract URL: https://arxiv.org/abs/2610.40516v1
• PDF URL: https://arxiv.org/pdf/2610.40516v1