一分钟读论文：CAGE ICLR 2026 突破性AI安全技术，破解跨文化红队测试难题

开篇

你有没有想过？一个在英文环境下安全合规的AI模型，到了其他语言和文化环境中，可能会出现严重的安全漏洞？

当前主流的AI安全测试基准大多是英文-centric的，直接翻译成其他语言时，往往会忽略当地的文化背景、社会规范和法律法规，导致大量安全盲点。ICLR 2026入选论文《CAGE: A Framework for Culturally Adaptive Red-Teaming Benchmark Generation》提出了突破性的解决方案，能够系统性地生成适配不同文化背景的红队测试基准。

核心突破

1. 首次系统性解决跨文化AI安全测试难题

现有红队测试基准在适配新语言时，通常采用直接翻译的方式，完全忽略了文化和法律背景的差异，导致无法捕捉到根植于当地文化的社会技术漏洞。CAGE框架首次实现了对抗性意图的跨文化迁移，能够生成符合当地文化特征的真实威胁测试用例，而不是简单的越狱测试。

2. Semantic Mold创新架构，分离对抗结构与文化内容

CAGE的核心是”语义模具”（Semantic Mold）技术，能够将提示词的对抗性结构与文化内容分离开来。这种设计使得框架可以保留原始红队提示的攻击意图，同时替换成符合目标文化背景的内容，生成更加真实有效的测试用例。

3. 性能提升显著，数据支撑明确

研究团队以韩语为测试场景，构建了KoRSET基准数据集，实验结果显示：

• CAGE生成的韩语提示在Llama-3.1模型上的攻击成功率（ASR）达到43.8%，远高于直接翻译方法的28.2%和LLM适配方法的32.4%
• 对于英文-centric训练的Llama-3.1模型，韩语测试场景下的攻击成功率比英文场景高出35.2个百分点，充分暴露了英文-centric安全训练的缺陷
• 而在同时具备深度中英文文化知识的EXAONE-3.5模型上，跨文化攻击成功率差异仅为1.2%，证明了文化知识对于安全对齐的重要性

4. 可扩展的解决方案，支持多文化适配

CAGE框架提供了标准化的工作流，可以快速扩展到其他语言和文化场景，为构建全球通用的AI安全评估体系提供了技术基础。研究团队已经开源了框架代码和韩语基准数据集，方便全球研究者贡献更多语言版本。

技术亮点

CAGE框架的创新之处在于它没有采用传统的翻译或模板生成方法，而是通过”语义模具”技术实现了对抗性意图的抽象和迁移。这种设计使得生成的测试用例既保留了原始的攻击意图，又完全符合目标文化的语境，能够有效发现现有方法无法检测到的安全漏洞。

同时，CAGE的评估方法不仅关注攻击成功率，还区分了”特异性”和”文化知识”对攻击效果的影响，为理解AI模型的跨文化安全表现提供了更深入的视角。

产业价值

CAGE框架对于AI产业具有重要的实际意义：

1. 对于跨国企业来说，它提供了标准化的跨文化AI安全测试方法，能够确保AI产品在不同国家和地区都符合当地的法律法规和文化规范
2. 对于模型开发者来说，它揭示了英文-centric训练的局限性，指导开发者在安全对齐阶段充分考虑多文化背景
3. 对于监管机构来说，它为制定全球统一的AI安全评估标准提供了技术参考
4. 对于AI安全研究社区来说，它开辟了跨文化安全测试的新方向，推动AI安全评估从单语言向多语言、多文化方向发展

论文信息

标题：CAGE: A Framework for Culturally Adaptive Red-Teaming Benchmark Generation 作者：Chaeyun Kim, YongTaek Lim, Kihyun Kim, Junghwan Kim, Minwoo Kim 发布机构：首尔国立大学VIP实验室、SelectStar 会议：ICLR 2026（国际学习表征大会） 链接：https://openreview.net/forum?id=gCm55KYiqz arXiv：https://arxiv.org/abs/2602.20170