ThaiSafetyBench：评估泰语文化语境下的语言模型安全

研究团队发布 ThaiSafetyBench，一个包含 1,954 条泰语恶意提示词的开源安全基准，用于评估大语言模型在泰语文化语境下的安全性。该基准覆盖一般有害提示词，以及根植于泰国文化、社会和语境细节的攻击，研究以 GPT-4.1 和 Gemini-2.5-Pro 作为 LLM-as-a-judge 评估了 24 个模型。结果显示闭源模型的安全表现总体强于开源模型，且针对泰国文化语境的攻击成功率持续高于一般泰语攻击。团队还微调了基于 DeBERTa 的有害回复分类器 ThaiSafetyClassifier，加权 F1 为 84.4%，与 GPT-4.1 的判断相当，并公开了微调权重、训练脚本和排行榜。