简介：多语言模型在不同语言上的表现往往存在显著差异，同一道数学题换一种语言提问，准确率可能大幅波动。本文从“语言公平性”的定义出发，系统解释这一现象为何出现、如何量化评测，以及怎样通过符号模板、数据治理和训练优化来缩小语言之间的能力鸿沟。适合关注大模型多语言能力、评测体系与工程落地的开发者和技术决策者阅读。
多语言模型的语言公平性，指的是同一个模型在处理不同语言输入时，是否能够保持相对一致的能力表现。换句话说，它衡量的是“换一种语言提问，模型是否还能给出同等质量的答案”。
这里的“能力表现”并不仅限于语言理解，也包括推理、计算、知识调用、代码生成等任务。以数学应用题为例，一个模型用英语回答时准确率可能是83%，而换成马拉地语时准确率只有30%。这种悬殊差异说明，模型在这两种语言上的推理能力并不公平。
从技术视角看，语言公平性可以拆解为三个层面：
从业务视角看，语言公平性直接关系到多语言产品的可用边界。一个在多语言场景下提供服务的技术方案，如果只对少数高资源语言表现良好，那么在低资源语言用户面前就可能失效。因此，语言公平性不是一个抽象的研究话题，而是多语言AI系统能否真正落地的关键约束。
多语言模型的语言不公平现象，根源可以追溯到数据、训练目标和评估方式三个层面。
第一，训练数据的语言分布极不均衡。
当前主流的大语言模型，其预训练语料大多以英语为主。英语文本在互联网公开语料中占据绝对优势，而马拉地语、冰岛语、法罗群岛语等语言的可用语料规模可能只有英语的千分之一甚至更少。语料规模的差距会直接传导到模型的能力分布上：模型在英语上见过的表达方式、句式结构、术语组合远多于其他语言，因此在处理英语输入时能够调用更丰富的模式；而面对低资源语言时，模型只能依赖有限的语料中学到的稀疏信号进行推断。
更隐蔽的问题在于，语料规模不足不仅影响语言层面的流畅度，还会影响模型执行复杂推理任务的能力。数学推理需要模型在理解题意、抽取变量、构建计算关系、执行多步运算等多个环节保持连贯。当题目以低资源语言呈现时，模型可能需要额外消耗一部分注意力资源去“理解语言本身”，从而挤占了本该用于推理的资源。
第二，训练目标通常没有显式地追求跨语言公平。
大语言模型的预训练目标通常是预测下一个词元，无论输入端是什么语言，这个目标都不会改变。但“预测下一个词元”本身并不要求模型在不同语言之间建立能力上的对等关系。换句话说，模型在训练过程中并没有被明确要求“如果英语能做对这道题，马拉地语也必须做对”。在没有显式约束的情况下，语言之间的能力差异会被自然地放大，而不是缩小。
第三，主流的评测方式难以暴露语言公平性问题。
很多公开的评测基准以英语为主，即使有少量多语言版本，也往往存在题面不一致、翻译质量参差、数据污染等问题。如果评测本身无法准确量化不同语言之间的能力差距，那么模型开发团队就缺乏有效的反馈信号来改进多语言能力。语言公平性问题因此长期处于“知道存在，但说不清楚”的状态。
要准确度量语言公平性，必须解决两个核心难题：题目等价性和数据洁净度。
题目等价性指的是，不同语言版本的测试题必须在难度、信息量和推理路径上保持严格一致。如果英语版题目是“小明有5个苹果，给了小红2个，还剩几个”，而马拉地语版题目变成了涉及分数运算的复杂问题，那么两者之间的分数差距就无法归因于语言因素。传统的多语言评测往往直接翻译现成题目，但翻译过程中可能引入句式简化、数字调整或文化适配等问题，导致题目本身不再等价。
数据洁净度指的是，测试数据不应该出现在模型的训练语料中。很多经典数学评测集已经在互联网上公开多年，被大量模型反复用于训练。模型在这些评测集上的高分可能来自记忆而非真正的推理能力。当评测数据被污染后，模型在英语上的表现会被高估，而在低资源语言上的表现可能因为对应语料的缺失而被低估，从而扭曲语言公平性的评估结果。
为了解决这两个问题，一种被广泛采用的方法是符号模板。符号模板的基本思想是：不直接翻译固定题面，而是将题目抽象为带参数的模板，例如“[某人]有[w]个[物品]，给了[另一个人][d]个，还剩几个”。模板中的人名、数字、物品都是可替换变量。通过替换这些变量，可以从一个模板批量生成成千上万道结构相同、表面不同的题目。
在生成不同语言版本时，研究者只需要对模板本身进行翻译，而变量则按照统一规则进行替换。这样既能保证所有语言版本在结构上完全等价，又能通过变量随机化避免题目被模型提前记忆。符号模板为多语言公平性评测提供了一把相对可靠的“尺子”。
基于符号模板方法，研究者可以构建一套多语言数学推理评测流程，其核心步骤如下：
通过这套流程，研究者得到了清晰的量化结果：英语正确率83%，马拉地语正确率30%。这个53个百分点的差距，相当于把一个中等偏上的模型表现拉低到了接近随机猜测的水平。
更重要的是，量化结果还可以进一步拆解。比如，如果某语言版本中的错误主要集中在最后一步计算上，说明模型理解了题意但执行计算时出错；如果错误集中在第一步的变量抽取上，说明模型根本没有正确理解题面。对错误类型的细粒度分析，能够帮助模型开发者定位问题环节，为后续优化提供依据。
语言公平性经常与几个相近概念混在一起，需要明确区分。
语言公平性 ≠ 多语言支持。
一个模型可以“支持”一百种语言输入，但并不意味着它在这些语言上的能力是公平的。多语言支持只说明模型能够接收和处理多种语言的输入，而语言公平性强调的是处理质量的一致性。
语言公平性 ≠ 翻译质量。
即使将低资源语言题面高质量地翻译成英语，再让模型作答，也无法替代模型直接处理低资源语言输入的能力。语言公平性关注的是模型在原生语言条件下的表现，而不是依赖外部翻译管线的间接能力。
语言公平性 ≠ 单语能力。
某个模型可能在英语上表现优异，在马拉地语上表现较差，但这并不直接说明模型对英语“理解更深”。更准确的理解是，模型在处理不同语言时，其内部表征和推理路径的可迁移性不同。语言公平性衡量的正是这种跨语言迁移的顺畅程度。
缩小多语言模型的语言差距，需要从数据、训练和评测三个方向同时发力。
在数据层面，应当提升低资源语言语料的规模和质量。语料扩充不仅是简单地增加文本量，还要注重语料的多样性和领域覆盖度。对于数学推理等结构化任务，可以借助符号模板批量生成高质量的多语言训练数据，而不是被动依赖互联网上稀缺的自然语料。通用云平台的资源调度与数据治理能力，可以为此类多语言数据管道提供工程支撑。
在训练层面，可以考虑引入跨语言对齐目标。例如，在训练过程中同时输入同一道题的不同语言版本，并约束模型在不同语言下的中间表示尽量接近。这种显式的跨语言对齐信号，有助于模型将已有能力从高资源语言迁移到低资源语言。此外，课程学习策略也可以被采用：先让模型在数据丰富的语言上掌握某个推理能力，再逐步增加低资源语言的训练比例。
在评测层面，应当建立持续性的多语言公平性监控机制。将符号模板生成的评测集纳入模型上线前的回归测试流程，定期检查不同语言之间的能力差距是否在可接受范围内。一旦发现某语言的准确率明显下滑，应及时回溯训练数据和模型更新记录，定位导致能力退化的原因。
在实际工程中接入多语言模型时，需要关注以下几点：
不要用英语表现推断全语言表现。 模型在英语上的优异表现并不能代表它在其他语言上同样可靠。在面向特定语言用户上线功能前，必须用该语言的真实评测数据做独立验证。
关注低资源语言的推理类任务风险。 语言理解类任务（如情感分类、文本摘要）的跨语言差异通常小于推理类任务（如数学计算、逻辑推导）。后者对语言变化的敏感度更高，需要单独测试。
设计降级策略。 当检测到某语言上的模型表现不达预期时，可以考虑降低自动决策的置信度、引入人工审核环节，或者建议用户切换到支持度更好的语言。这些降级策略有助于控制因语言差距带来的业务风险。
持续监控语言能力变化。 大模型通常会持续迭代更新，一次评测通过不代表永远通过。建议将多语言公平性指标纳入自动化监控体系，在每次模型更新后自动执行多语言评测，防止出现语言能力的非预期退化。
多语言模型的语言公平性，衡量的是同一个模型在面对不同语言输入时能否保持能力的一致性。它不是简单的“支持多少种语言”，而是关乎多语言AI系统能否真正可靠地服务全球用户。语言之间的数据分布不均衡、训练目标缺乏跨语言约束、评测方法不够精确，共同导致了语言公平性问题的长期存在。符号模板方法为量化评测提供了可行的技术路径。要缩小语言差距，需要从数据扩充、跨语言对齐训练和持续评测监控三个环节协同推进。在工程落地上，开发者应当避免用英语表现代表全语言能力，并为低资源语言场景设计充分的验证与降级机制。