안전 정렬된 언어모델이 직접적인 유해 요청은 거부하지만 역할극이나 서사적 포장 안에 같은 요청을 넣으면 답해버리는 취약점을 다국어로 측정한 연구다. Qwen3-1.7B 기준 영어 공격 성공률이 89.4%, 현대 중국어 93.0%, 고전 중국어는 95.7%까지 치솟았다. 연구팀은 영어·현대 중국어·고전 중국어로 매칭된 유해/무해 요청 쌍과 다양한 래퍼 유형을 담은 벤치마크 GUISE를 공개했다. 표현 분석 결과 언어나 격식 차이는 유해 요청의 내부 표현을 거부 방향에서 살짝만 이동시키지만, 서사적 포장은 훨씬 크게 이동시킨다는 점을 밝혔다. 이에 대응해 선호 최적화와 회전·확약 목표를 결합한 방어 기법 AXIS를 제안해 Qwen3-1.7B, Qwen3-4B, GLM-4-9B에서 가장 높은 안전성-유용성 종합 점수를 달성했다.

• •역할극/서사 포장 안의 유해 요청에 대한 Qwen3-1.7B 공격 성공률이 영어 89.4%, 고전 중국어 95.7%
• •다국어·다양한 래퍼 유형을 포함한 벤치마크 GUISE 공개
• •서사적 포장이 언어·격식 차이보다 유해 요청 표현을 거부 방향에서 훨씬 크게 이동시킴을 분석
• •선호 최적화에 회전·확약 목표를 결합한 방어 기법 AXIS 제안
• •AXIS가 Qwen3-1.7B/4B, GLM-4-9B 전반에서 최고의 안전성-유용성 점수 달성