论文页面 - 构建多语言桥梁：数据混合成为语言内推理泛化的支柱

来源：https://huggingface.co/papers/2609.10445

摘要

经过优化的监督微调数据组合使推理模型能够在无需为目标语言提供推理监督的情况下，一致地处理和回应多种非英语语言。

推理语言模型（https://huggingface.co/papers?q=Reasoning%20language%20models）在各种复杂任务上取得了重大进展，但其能力仍然严重偏向英语：无论提示语言是什么，模型主要用英语进行推理。这对非英语用户来说难以使用，存在丢失原始问题意图的风险，并且无法充分利用目标语言中更易表达的知识。在这项工作中，我们推进了 L2 推理（https://huggingface.co/papers?q=L2%20reasoning），即模型用用户提示的语言一致进行推理的能力，从而在提示和答案之间构建一座语言内的桥梁。我们从数据角度出发，研究如何在 SFT（https://huggingface.co/papers?q=SFT）中优化数据组合（https://huggingface.co/papers?q=data%20composition）和调度以实现推理泛化（https://huggingface.co/papers?q=reasoning%20generalization）。构建规模为 3.35B 的 Tiny Aya L2-Thinker，我们在涵盖数学、常识推理、指令遵循、开放式生成和文化推理的 6 个基准测试中，在 60 种语言上实现了超过 93% 的 L2 推理（https://huggingface.co/papers?q=L2%20reasoning）率，同时保持了强大的性能。我们表明，将 L2 推理（https://huggingface.co/papers?q=L2%20reasoning）泛化到未包含语言的路径，在于更广泛的语言覆盖、 readily available 的多语言非推理数据以及充分的英语推理基础。这些发现表明，推理是一种与语言无关的行为，可以通过精心的数据混合转移到类型多样的语言中，而无需在每种目标语言中提供推理监督。我们发布了模型权重和多语言推理（https://huggingface.co/papers?q=multilingual%20reasoning）数据，以支持关于可访问、语言内推理的进一步研究。

查看 arXiv 页面（https://arxiv.org/abs/2609.10445）查看 PDF（https://arxiv.org/pdf/2609.10445）项目页面（https://cohere.com/research/papers/building-multilingual-bridges-2026-09-10）添加到收藏夹（https://huggingface.co/login?next=%2Fpapers%2F2609.10445）

将此论文添加到你的智能体：

hf papers read 2609.10445

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 2

CohereLabs/tiny-aya-l2-thinker 文本生成 • 3B • 约 9 小时前更新 • 48 • 7（https://huggingface.co/CohereLabs/tiny-aya-l2-thinker）

CohereLabs/tiny-aya-en-thinker 文本生成 • 3B • 约 9 小时前更新 • 22 • 6（https://huggingface.co/CohereLabs/tiny-aya-en-thinker）

引用本文的数据集 1

CohereLabs/tiny-aya-l2-thinker-multilingual-reasoning 查看器 • 约 9 小时前更新 • 286k • 119 • 1（https://huggingface.co/datasets/CohereLabs/tiny-aya-l2-thinker-multilingual-reasoning）

引用本文的空间 0

无链接到本文的空间

在空间的 README.md 中引用 arxiv.org/abs/2609.10445 以从本页面链接。

包含本文的收藏夹 0

无包含本文的收藏夹

将本文添加到收藏夹（https://huggingface.co/new-collection）以从本页面链接。