의미론적 코드북을 통한 다국어 제이브레이크 탐지

대형 언어 모델 (LLMs) 의 안전 메커니즘은 여전히 영어 중심에 치중되어 있어, 다국어 배포 시 체계적인 취약점을 초래합니다. 기존 연구는 악성 프롬프트를 다른 언어로 번역하면 제이브레이크 성공률이 크게 증가하여 구조적인 크로스-링글 보안 격차를 드러낸다고 보여줍니다. 우리는 재학습이나 특정 언어 적응 없이 언어 불변적 (language-agnostic) 인 의미론적 유사성을 통해 이러한 공격을 완화할 수 있는지 조사합니다. 우리의 접근법은 고정된 영어 제이브레이크 프롬프트 코드북에 대해 다국어 쿼리 임베딩을 비교하며, 블랙박스 LLM 을 위한 훈련 없는 외부 방패 역할을 수행합니다. 우리는 네 가지 언어, 두 가지 번역 파이프라인, 네 가지 안전 벤치마크, 세 가지 임베딩 모델, 그리고 세 가지 대상 LLM(Qwen, Llama, GPT-3.5) 에 대해 체계적인 평가를 수행했습니다. 우리의 결과는 크로스-링글 전이 (cross-lingual transfer) 의 두 가지 뚜렷한 체제를 드러냅니다. 정제된 벤치마크에서 표준 제이브레이크 템플릿을 포함할 때, 의미론적 유사성은 언어 간에 신뢰성 있게 일반화되어 거의 완벽한 분리성 (AUC 최대 0.99) 을 달성하며, 엄격한 낮은 위양성률 제약 하에서 절대 공격 성공률을 현저히 감소시킵니다. 그러나 분포 이동 (distribution shift) - 행동적으로 다양하고 이질적인 안전하지 않은 벤치마크에서 - 분리성은 현저히 저하되며 (AUC ≈ 0.60-0.70), 보안상 중요한 낮은 위양성률 (low-FPR) 영역에서의 재현율은 모든 임베딩 모델에서 감소합니다.