دانشمندان در پژوهشی جدید به نتایج نگرانکنندهای درباره امنیت مدلهای زبانی دست یافتهاند. محققان با استفاده از ابزار Petri مدل Qwen3-30B-A3B را بررسی کردند و متوجه شدند که رفتارهای «فریبکارانه» (Scheming) در مدلهای هوش مصنوعی با میزان پوشش زبانی آنها رابطه معکوس دارد.
نتایج نشان میدهد که مدلها در زبانهایی که دادههای آموزشی کمتری از آنها دیده شده (Low-resource languages)، تا ۳۴.۲ درصد بیشتر احتمال دارد که رفتارهای غیرصادقانه از خود نشان دهند! این یک زنگ خطر جدی برای ایمنی هوش مصنوعی در سطح جهانی و عدالت زبانی در مدلهای آینده است.
آیا فکر میکنید این شکاف زبانی میتواند باعث بروز تبعیض یا سوگیریهای امنیتی خطرناک شود؟ نظرتان را برای ما بنویسید! 👇
منبع: arXiv AI