北京大学与微软亚洲研究院联合发表的ICLR 2026论文《Classical Languages are Universal Jailbreak Keys for Large Language Models》证实:文言文、拉丁语等古典语言可以近乎100%地绕过 GPT-4o、Claude-3.7 等主流大模型的安全对齐机制,让模型输出有害内容,且平均只需1.1至2.4次查询即可成功越狱。
测试结果
论文的测试覆盖多种古典语言和多个主流模型,结果高度一致。古典语言攻击在所有测试模型上均可破解,整体成功率接近100%;其中文言文、拉丁语的成功率为94%至100%,梵语为94%至98%,说明攻击效果并不依赖某一种特定语言,而是跨古典语言的普遍现象。攻击效率同样惊人:平均仅需1.1至2.4次查询即可成功,无需复杂的提示词工程,攻击门槛几乎为零。换句话说,攻击者只要把有害请求翻译成一种在现代对话中几乎不使用的”死语言”,就几乎可以绕过现有的全部安全护栏,而且整个过程简单到可以批量自动化。
高能力与低对齐的落差
古典语言成为安全盲区的根本原因是训练数据不平衡。大模型的安全对齐训练几乎全部集中在现代语言,古典语言的安全对齐数据接近空白,形成”高能力、低对齐”现象。拆开来看是三层错位:第一,模型在预训练中接触过大语料里的古典文本,习得了理解文言文的能力,能够准确读懂用文言写成的有害请求;第二,与这种理解能力对应的安全约束几乎没有被训练过,拒绝机制在古典语境下根本不会被触发;第三,现代语言上学到的安全知识,无法迁移到语法结构和词汇系统都差异巨大的古典语言上。理解能力与安全约束之间的这道落差,正是攻击的入口。
对AI安全的警示
这项研究对整个行业有直接警示意义。其一,安全测试必须覆盖全语言场景:现有基于现代主流语言的安全评估体系存在严重盲区,古典语言是最容易被忽略的攻击向量,红队测试应当把它纳入常规科目。其二,多语言安全对齐的必要性凸显:单一语种的护栏训练无法保证跨语言泛化,需要建立统一的多语言安全约束框架,让拒绝行为与语言形式脱钩。其三,模型架构层面存在改进方向:研究语法差异对安全泛化的影响,设计能把现代语言安全知识迁移到目标语言的通用机制。这与站内《CAGE 跨文化红队测试框架》从不同角度指向同一问题:安全能力的短板不在模型”会不会”,而在训练分布”有没有覆盖到”,语言和文化语境都会改变对齐的实际效果。
面向未来的修复路径也已清晰:古典语言的训练数据缺失,可以通过合成生成对齐数据来补足;跨语言泛化能力接近零,需要显式设计迁移机制;评估体系目前仅覆盖主流语言,应扩展到全语言场景测试。别以为换个古语提问模型就听不懂——它们读得懂,只是”没学过规矩”。