MLJailDe：学习语言无关意图表示以检测多语言越狱
One Jailbreak, Many Tongues: Learning Language-Insensitive Intention Representations for Multilingual Jailbreak Detection
AI 导读
MLJailDe 用多语言回译数据增强构建覆盖 11 种语言的数据集，并学习语言无关的越狱意图表示来检测多语言越狱。数据集含 2,232 条良性样本和 1,239 条越狱样本；框架用相对距离约束减少跨语言表示分散，并用不平衡感知分类目标学习决策边界。实验 F1 达 98.5%，未见语言平均 F1 为 97.1%，优于当前基线。