LLM 安全性中的极性盲视：对否定、反义词替换和对抗性框架的系统研究

否定在跨 NLP 任务和模态的语言模型中仍然是一个持续存在的挑战。我们表明，这一弱点可能通过一种我们称为“极性盲视”的结构性漏洞破坏 LLM 安全防护机制：在语言极性发生变化的转换之后，模型无法识别有害意图。我们研究了两种极性反转形式：语法否定和反义词替换，并使用同义词替换作为保持极性的对照。我们进一步测试了对抗性文本包装是否会放大这些失效。我们在 10 个最先进的 LLM 和 3 种语言（英语、西班牙语、捷克语）上使用包含 260 条提示的基准测试，根据潜在危害性进行分层，并采用经过验证的 0—5 级危害量表进行评估。结果发现，极性盲视影响了大多数受评估模型，其中最脆弱模型的平均危害评分达到 4.12。这一效应在具有类型学差异的否定系统中依然存在，表明极性盲视反映的是语义稳健性方面更广泛的局限，而非特定于某种语言或语法的失效。