multilingual

该论文通过六语言析因设计，独立考察问题语言、回答语言与验证指令语言对多语言 P(True) 自评估的影响，发现三者分别影响准确率、区分度与校准，且未经验证的评判者会严重扭曲模型表现差距。

X-Dubbing 提出一种联合时间感知语音转文本翻译与视频感知文本转语音的方法，通过语言无关的时间预算实现与源视频同步的跨语言配音，无需配对配音数据即可超越现有基线。

本报告介绍了 Kolibri，一款英德双语混合专家（MoE）Transformer 模型，总参数量为 78.1B，激活参数量为 3.46B。该模型以 Apache 2.0 协议发布开放权重，面向受监管领域的主权化、德语优先部署场景。Kolibri 在 24T token 上进行训练，其中德语数据占比超过 20%，并通过 SFT 与 RL 在 120 万条精选任务上完成后训练。在所评估的开放模型中，Kolibri 在模型质量与服务成本之间处于帕累托前沿。

该论文在 Qwen2.5-14B-Instruct 上将 PolyRefuse 扩展到另外三种低资源语言（白俄罗斯语、巴什基尔语、塔吉克语），发现拒绝方向的迁移效果存在程度差异，并非普遍有效：来自安全对齐语言的方向能够广泛迁移，而来自严重未对齐语言的方向则无法可靠地调节拒绝行为。

KittenML 开源发布了 Kitten-TTS 2，这是全球首个 1.58 位（三值化权重）文本转语音模型，拥有 17 亿参数，可仅使用 CPU 实时推理，支持使用不足 5 秒的参考音频进行零样本语音克隆、支持 20 多种语言，以及情感与强调控制。

IBM 发布了 Granite Speech 5.0 2B，这是一款紧凑的多语言语音语言模型，支持六种语言的语音识别（ASR）和语音翻译，相比前代产品提升了噪声鲁棒性、语言识别提示（language-ID prompting）能力，并支持多达 2000 个关键词的偏置引导。

inclusionAI 发布了 Ming-3.0-TTS-0.5B，这是一个基于 Qwen2.5-0.5B 构建的稠密 0.5B 多语言文本转语音模型，支持零样本声音克隆、声音设计、副语言内联标签以及自由风格控制，涵盖 7 种语言及中文方言。

IBM 发布 Granite Speech 5.0 系列更新，包括新的 2B 语音语言模型以及改进的 470m-turboctc 和 4.1-2b-plus 版本，在转录、翻译、抗噪和说话人归属方面更准确快速，采用 Apache 2.0 许可。

该论文提出一个翻译绕过威胁模型，在79种语言上评估了十个主流大模型，发现即使提示在英文下被安全拒绝，翻译成低资源语言后仍有21.9%至44.4%的绕过率，表明英文安全对齐无法可靠迁移到其他语言。

论文提出了LoWAgent，这是一个低资源语言多语言基准，涵盖英语、印地语、孟加拉语、乌尔都语和阿姆哈拉语，在六个本地化网站上包含3,000个任务，用于评估网络智能体的表现。研究发现低资源语言下的性能下降明显，尤其是开源模型；同时表明在基准数据的轨迹上进行后训练可以提升智能体的性能。

本文介绍了SITO，一个包含2,332个对比案例的合成独立基准数据集，涵盖英语、乌克兰语和Surzhyk语，用于审计Tuteliq Detect商业文本安全API在六大伤害类别中的漏检与误报情况。研究发现，该API在对第三方旁观者报告的持续性伤害的召回率方面表现明显较弱。

蚂蚁集团旗下 inclusionAI 开源了 Ming-3.0-tts 语音合成模型，在 Artificial Analysis 十月榜单上发音稳健性以 93.2% 拿下总榜第一，可控音色为开源第一，支持音色克隆、自然语言指令控制、14 种副语言标签及四川话、粤语等多方言多语言合成。

ElevenLabs 推出 Eleven Realtime，一套端到端优化的 Speech-to-Speech 语音模型（v1 Mini 与 v1 Max），支持实时语音对话，并提供与 OpenAI Realtime API 兼容的接口，可在 ElevenAgents 中快速构建语音助手。

Mistral 发布 Voxtral 3 语音模型家族与语音代理 SDK，支持 50 多种语言的实时转录、情感自适应语音合成以及多步工具调用，可通过欧盟托管的 API 或自部署方式使用，以保障数据主权。

Qwen-Audio-3.1-ASR 技术报告介绍了一系列音频语言模型，在语音识别、说话人分离转录和通用音频理解方面较 Qwen-Audio-3.0-ASR 有显著提升，支持 30 种语言和 16 种汉语方言，并提供流式与非流式等多种部署变体。

该论文提出了依赖假说：在知识密集型任务中，大语言模型在低资源语言上的思维链忠实性更高，因为当模型无法直接回忆出答案时，会更加依赖推理过程。该效应在四个模型和多种忠实性度量上得到复现，而模型置信度可部分解释资源水平带来的影响。

该论文对大语言模型的位置偏差进行了全面研究，覆盖从十亿到万亿参数规模的模型及五种语言。研究发现，模型规模增大、思维链提示以及新兴的思考模型能够显著缓解甚至几乎消除位置偏差。

本文系统地考察了大语言模型在不同提示语言、指令微调语言以及微调数据集规模下，对美国、荷兰和中国文化特定刻板印象的检测能力。研究发现，大语言模型倾向于过度预测刻板印象，很少考虑文化语境，而使用非英语提示和指令微调可以改善检测效果。

这篇论文审计了三类非生成式决策模型（编码器打分器、解码器打分器和闭源 API）在孟加拉语习语上的表现，发现当选项列表中包含字面释义时，模型会强烈偏向字面含义，且这种"字面吸引"在孟加拉语测试中比英语高 1.9 到 6.4 倍，同时校准性全面下降。

作者在视觉小说截图上测试了 Embedding Gemma 2（Q8，约 330MB，768 维）的文搜图能力，发现它对跨语言文本含义有一定理解、整体表现可用；但文本内容往往主导余弦相似度，视觉特征的影响较弱，且需要精细的措辞。