Cet article présente SEALGuard, une protection multilingue visant à améliorer la sécurité des modèles linguistiques à grande échelle (LLM) dans des environnements multilingues. La protection existante, LlamaGuard, présente une grande précision de détection pour les entrées non sécurisées écrites en anglais, mais présente une vulnérabilité aux entrées multilingues. Pour remédier à ce problème, nous construisons SEALSBench, un ensemble de données multilingues à grande échelle, aligné sur la sécurité, composé de plus de 260 000 invites couvrant 10 langues, et développons SEALGuard, qui adapte un modèle linguistique multilingue général à une protection multilingue par adaptation de bas niveau (LoRA). Les résultats expérimentaux montrent que SEALGuard surpasse LlamaGuard dans la détection des invites non sécurisées multilingues et des invites de jailbreak, et obtient les meilleures performances en termes de DSR, de précision et de score F1. De plus, nous analysons l'impact de la stratégie d'adaptation et de la taille du modèle sur les performances de SEALGuard grâce à des études d'ablation. Enfin, nous publions des modèles pré-entraînés et des benchmarks pour soutenir des recherches ultérieures.
