One Jailbreak, Many Tongues: Learning Language-Insensitive Intention Representations for Multilingual Jailbreak Detection

En 3 lignesMLJailDe, un framework de détection de jailbreak multilingue, utilise l'augmentation de données par back-translation sur 11 langues (2,232 samples bénins, 1,239 jailbreak) et des contraintes de distance relative pour réduire la dispersion des représentations cross-lingues. Atteint F1=98.5% et F1=97.1% sur langues non vues.

Résumé généré par Claude — vérifié par l'humain