BabelSafe：以政策为依据的多语言大模型安全基准
BabelSafe: A Policy-Grounded Multilingual Safety Benchmark for LLMs
AI 导读
BabelSafe 是覆盖 13 种语言环境的多语言大模型安全基准，风险类别与规则提取自各地区监管文件。论文同时提出基于扩散大语言模型的护栏模型 BabelGuard，1.5B 版用于快速 safe/unsafe 分类，7B 版支持可定制的政策条件安全检查。其在 6 个多语言安全基准及 BabelSafe 上对比 11 个护栏基线表现强劲。