LSR: 低資源西アフリカ諸語の言語安全性ロバストネス・ベンチマーク

要旨: 大規模言語モデルにおける安全性の整合性は主に英語の訓練データに依存しています。英語で機能する拒否機構がある場合にも、有害な意図がリソースの少ない言語で表現されると、拒否機構が発動しないことが多いです。LSR（言語的安全性の頑健性）を導入します。西アフリカの言語におけるクロスリンガル拒否低下を測定する、最初の体系的ベンチマークです：ヨルバ語、ハウサ語、イボ語、イガラ語。LSRは同一モデルへ英語と対象言語のプローブを一致させて提出するデュアルプローブ評価プロトコルを用い、拒否セントロイドの変動（RCD）を導入します。これは、有害意図が対象言語としてエンコードされたときに、モデルの英語による拒否行動のどれだけが失われるかを定量化する指標です。Gemini 2.5 Flashを、4つの被害カテゴリにおける14の文化的背景に根ざした攻撃プローブで評価します。英語による拒否率はおおむね90％で維持されます。西アフリカの言語全体では拒否率が35〜55％に低下し、イガラ語が最も深刻な劣化を示します（RCD = 0.55）。LSRはInspect AI評価フレームワークに実装されており、UK AISIのinspect_evalsリポジトリへのPR準備済みの貢献として利用可能です。ライブのリファレンス実装とベンチマークデータセットは公開されています。