这篇论文系统评估了五种最先进的阿拉伯语大语言模型在多种对抗攻击下的鲁棒性，并探索了基于对抗训练的防御方法。研究背景是：随着阿拉伯语模型能力的提升，它们面临的安全风险也随之增加，其中对抗攻击可以使模型产生错误预测，造成严重的安全和伦理问题。作者从字符级、单词级和句子级三个粒度设计了不同的攻击策略：字符级攻击通过插入变音符号（diacritics）扰乱文本，实验显示某些模型的准确率下降高达92%，且扰动距离很低；单词级攻击通过操纵阿拉伯语连词（如‘و’、‘ف’等）保持高语义相似度和低扰动距离，但能使准确率降低最多58%；句子级攻击采用释义（paraphrasing）方法，平均使受害模型性能下降76%。此外，论文还验证了对抗训练的有效性，发现MARBERT是最鲁棒的模型，而AraBERT在训练后获得最大的相对提升，但所有模型对字符级噪声仍然脆弱。研究揭示了在形态丰富的语言（如阿拉伯语）中，当前防御策略的潜力和局限性。对于蓝队和安全工程师而言，这项研究为评估NLP模型在非英语场景下的安全性提供了方法论参考，并强调了对抗训练在提升模型韧性方面的作用，但同时也警示了字符级扰动的持久威胁。阅读该论文可帮助安全团队理解阿拉伯语模型特有的攻击面，并为构建更安全的阿拉伯语AI应用提供依据。