AI安全重大漏洞：文言文竟能100%绕过大模型防御机制

近日，ICLR相关话题讨论显示，大模型在安全性防御方面存在惊人盲区。研究表明，将恶意指令转换为文言文后，主流大模型的越狱成功率高达100%。这是因为文言文在模型训练数据中属于“低资源语言”，安全对齐机制（RLHF）主要覆盖现代主流语言，导致模型无法识别古文中夹带的有害意图。这一发现不仅展示了大模型在处理非主流语言时的脆弱性，也为AI安全研究敲响了警钟，提示开发者需关注多语言及特定语域的防御对齐。