以英语为中心的“安全训练”——问题的根源
现代大型语言模型能够自信地使用数十种语言进行交流，但其安全方面的训练却主要基于英语。在模型获得限制——针对有害内容、毒性言论、危险建议——的对齐阶段，几乎完全依赖于英语数据和英语测试。“红队”测试集、标注员指令、标准拒答示例——这些都首先与英语相关。
研究员Namya Bhatnagar在论文《Safety Alignment Illusion: The Cross-Lingual Safety Gap in LLMs》（arXiv:2608.18131，计算机科学 > 人工智能部分）中系统性地描述了这一问题。该论文于2026年7月26日提交，并已申报至IEEE SLT 2026——口语技术会议。文中记录了一种应被称为安全错觉的现象：当对话者使用英语时，模型看起来受到可靠保护，而一旦超出该语言范围，这种保护便不复存在。
这种差距可以解释：模型通过其训练所用的示例来识别表述的有害性。带有相同意图的孟加拉语、泰米尔语或马拉地语短语可能根本不会进入过滤器的关注范围——数据中不存在这样的“有害”示例。结果，刻板印象式的回答得以通过，而对应的英语表述在入口处就会被拦截。
语音：故障立即可见
这种差距在语音界面中表现得最为危险。对话式助手没有长时间核查的余地：必须即时响应，而用户的语音是鲜活的，带有语调、缩略语和语言混合。在这种情况下，以英语为中心的过滤器无法处理非英语输入，系统可能会给出强化社会刻板印象——基于种姓、地区、宗教或职业归属——的回答。
据作者评估，对于部署在印度语言多样性人口中的语音技术而言，这是一种严重的失效模式。用户会立即以口头形式收到有害回答，且无法复核或质疑。而恰恰是非英语社区成为主要受影响区域：模型在英语中不会放行的偏见性言论，在地区语言中却毫无防护地输出。这已不是未来系统世代的假设性风险，而是当下就已存在的显著缺陷。
INCLUDE：衡量偏见的印度视角
要评估问题的严重程度，仅靠陈述是不够的——需要一个测量工具。作者提出了INCLUDE（Indian Cultural Lens for Understanding and Detecting Embedded Biases）：一个多语言评估基准，旨在量化评估印度语境中的社会文化偏见。
该基准基于2604条提示语，涵盖六种语言：
- 英语；
- 印地语；
- 孟加拉语；
- 马拉地语；
- 泰米尔语；
- 印地英语——印地语和英语的混合语，许多印度人日常使用。
关键思想不是逐字翻译英语测试，而是透过印度文化现实来寻找偏见。研究团队使用该数据集测试了十种模型——包括开源和闭源——共收集了14,988项偏见指标。这一规模足以揭示系统性规律，而非孤立的“失误”。
最出人意料的测量结果
统计分析得出了两个关键发现，每一项都值得特别关注。
**在开源模型中，孟加拉语表现最差。**该语言的平均偏见水平在开源模型中最高。这是一个尤其令人不安的信号：开源LLM经常被微调和本地部署，因此它们恰恰是在印度和孟加拉国最大的语言之一上“偏离”最严重的。
**英语出现了令人意外的反转。**在开源模型中，英语的平均偏见水平最低，而在闭源模型中却恰恰相反，是最高的。常见的“专有模型比开源模型更安全”的认知在此并不成立：在英语上，闭源LLM意外地逊于开源模型。换言之，偏见的语言分布很大程度上取决于你面对的是哪一类模型。
结论：安全无法逐字翻译
该研究的主要启示是，文化偏见无法通过通用的英语过滤器来捕获。简单地将英语规则翻译成其他语言并不能解决问题：刻板印象根植于本地语境，模型必须学会在偏见产生的语言和文化中识别它们。
行业应重新审视对齐实践本身：将非英语场景纳入训练，吸引目标语言社区的标注员参与，并定期使用INCLUDE等多语言基准测试模型。否则就会出现悖论：模型掌握的语言越多，其保护未能覆盖的受众就越广。
如果安全仍然以英语为中心，“对齐错觉”将在每一代新的LLM中重现。最脆弱的环节仍将是使用广泛非英语语言的语音系统——而为此付出代价的将是真实存在的用户。
