标签
本研究探讨多语言大型语言模型是否为跨语言数学推理发展出共享的内部表示，引入了一种新颖的几何不变稀疏自编码器（GI-SAE）方法。研究发现，跨语言特征共享依赖于模型，且几何相似性并不一致意味着功能可互换性。
介绍了 SurakshaEval，一个涵盖十种印度语言和英语的大语言模型安全基准，包含跨越七种危害类型的人工编写提示词。对多语言大语言模型进行基准测试，并发现了过度拒绝、在印度语言语境中遗漏隐含偏见等问题。
本文提出了一种数据驱动的框架，利用多语言LLM的嵌入来检测语言间的词汇空缺，在韩语-英语对中实现了高准确率。
Google Research 发布覆盖 12 种语言的 LocQA 数据集，发现多语言大模型在回答含混的地域相关问题时表现出强烈的美国中心与人口基数驱动的地域偏见。
本文评估了大语言模型在僧伽罗语和泰米尔语（两种资源匮乏的南亚语言）中的数学推理能力，采用独立编写问题的平行数据集进行评估。研究表明，虽然基础算术在跨语言间转移良好，但复杂推理任务在非英语语言中表现出显著性能下降，这对在多语言教育环境中部署AI辅导工具具有重要启示。
本文系统地评估了令牌剪枝这一压缩技术在韩语中心的LLM任务上的应用，该技术通过移除与无关语言对应的令牌和嵌入参数来压缩模型。研究评估了流行的多语言模型（Qwen3、Gemma-3、Llama-3、Aya）在不同词汇配置下的表现，发现令牌剪枝能显著改进生成稳定性并降低特定领域部署的内存占用。