基础研究 / 可靠评估与安全 / 研究解读
谁在桥接安全？定位并增强跨语言共享安全路径
追踪 MLP 神经元构成的跨层安全路径，定位跨语言共享机制并开展定向安全对齐。
核心内容
Who Bridges Safety 将多语言安全视为信号传播问题。工作结合共激活与激活传播，识别跨层安全路径，再研究高资源与非高资源语言共享哪些路径。分析单元由孤立神经元延伸到成分之间的连接，使安全信号如何形成最终拒答成为可追踪的问题。
这些共享路径进一步用于指导选择性对齐。屏蔽实验检验其功能相关性，定向更新则考察增强共享计算能否改善防护较弱语言的安全表现，同时控制对一般能力的影响。
跨层路径机制分析的基本单元
共享计算选择性对齐的目标
未见语言检验跨语言迁移
共享安全成分的作用，体现在它如何跨越层与语言参与完整的决策计算。
追踪跨层安全信号
框架结合路径识别、跨语言交集提取与路径定向对齐。
查看论文原图为什么研究这个问题
模型能够理解一种语言，并不意味着它会在这种语言中有效使用安全判断。定位安全相关神经元揭示了重要成分，进一步还需要回答：这些成分如何协同，以及安全信号如何跨层传递到最终决策。
方法如何工作
- 结合跨层共激活和激活传播，构建各语言的安全路径集合。
- 提取不同语言之间的共享路径，并通过与同规模随机路径对照的屏蔽实验检验其作用。
- 将对齐更新集中到共享路径参数，联合评估多语言安全与一般能力保留。
检验共享路径的作用
在多语言攻击中，将共享路径屏蔽与同规模随机对照比较。
查看论文原图实验发现了什么
对照实验中，屏蔽共享路径比屏蔽同规模随机路径造成更明显的安全退化。论文进一步将路径定向对齐与偏好优化、跨语言对齐基线比较，并考察训练效率、一般能力保留和留一语言迁移。
对齐后的多语言安全表现
原表比较不同语言和对齐方法下的攻击成功率。
查看论文原图这项研究意味着什么
这项工作把安全机制的连接方式确立为具体的研究对象。模型可能已经拥有相关成分，却没有在某种语言中有效组织这些成分；路径分析使这两种情况能够通过有针对性的实验加以区分。
由此可以形成一条机制驱动的迁移路线：识别共享计算、验证其作用，再优化承载这些计算的位置。现有证据来自所研究的路径构造与语言设置，更广泛的迁移边界仍值得通过受控实验刻画。
论文与相关资源
本文为论文介绍，方法定义、实验设置与完整结果请参见论文原文。
引用这项研究
@misc{who_bridges_safety,
title = {Who Bridges Safety? Identifying and Targeting Cross-Lingual Shared Safety Pathways},
author = {Miao, Shuyi and Qiu, Wangjie and Shao, Pengyang and Xiao, Canran and Shen, Fei and Zheng, Zhiming and Chua, Tat-Seng},
year = {2026},
eprint = {2608.09095},
archivePrefix = {arXiv},
url = {https://arxiv.org/abs/2608.09095}
}