AfriGuard：面向非洲语言的安全与稳健拒绝行为数据集

研究团队构建了 AfriGuard，一个覆盖 10 种非洲语言和英语、基于文化语境的多语言数据集，用于研究有害意图、安全类别理解与拒绝行为。研究发现防护模型在安全意图与类别分类上不及开源和闭源大语言模型，模型对适当安全行为的理解有限，F1 低于 60%。基于该数据集开发的防护模型性能可与大 30 倍的模型竞争，拒绝检测器平均性能提升 43.9%，监督微调可显著改善整体安全表现。