arXiv研究提出多语言推理轨迹级分歧评估框架

Rui Sun 等研究者在 arXiv 发布论文，提出 trace-level divergence 评估框架，把多语言大模型的可见推理轨迹拆分为结构相似性、顺序一致性和整体相似性来衡量跨语言差异，并配以语言对校准以便跨语言比较。 研究覆盖三个推理基准、七种语言和六个前沿大模型。作者称，答案级评估会高估多语言推理的一致性——同一答案背后的推理轨迹可能大不相同。在两个以英语为锚的语言对中开展的盲测双语标注显示，人类判断与结构相似性指标一致，而非与整体相似性基线一致。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。