在 AI 技术席卷全球的今天，中国已经凭借一系列高性能开源大语言模型（LLMs），如 Qwen2.5、Yi-1.5 和 DeepSeek-R1，成为全球 AI 竞赛中的一支劲旅。这些模型不仅在技术上令人惊叹，更因其多语言能力引发了广泛讨论。然而，这些中国开发的 AI 模型，真的能“说”中国的语言吗？它们是反映了中国丰富的语言多样性，还是仅仅追随了全球化的脚步？最近，康奈尔大学的研究者们发表了一篇题为《Do Chinese models speak Chinese languages?》的论文，深入探讨了这一问题。

研究问题

训练大语言模型需要大量资源，开发者必须决定：哪些语言值得投入？在中国这样一个多语言国家，AI 模型的多语言能力不仅关乎技术，更折射出社会优先级和政策倾向。研究者们好奇，中国开发的 LLMs 会如何选择？是优先支持普通话，还是兼顾少数民族语言？又或者，它们会像西方模型一样，更多关注全球通用语言？这不仅是一个技术问题，更是一个关于文化认同和资源分配的社会议题。

于是，这篇论文提出了四个研究假设来探讨中国开源大语言模型（LLMs）的多语言能力：一是“零假设”，认为中国和西方模型在语言支持上无显著差异；二是“普通话假设”，预测中国模型在普通话上优于西方模型，但在其他语言上表现类似；三是“多元假设”，期待中国模型在普通话及中国境内其他语言（如少数民族语言）上均表现更佳；四是“区域假设”，推测中国模型在普通话和东亚、东南亚区域语言上占优，但在少数民族语言上未必突出。

研究方法

为了回答研究问题，研究者们设计了一系列实验，比较了 6 个中国开源模型（如 Qwen2.5、DeepSeek-R1）和 4 个西方模型（如 Llama3、Mistral）的多语言表现。他们特意选择了参数规模在 7-9 亿之间的模型，确保比较公平。实验分为三个部分：一是用 FLORES+ 基准测试 18 种语言的信息表示效率（Information Parity，简称 IP），简单来说，就是看模型能不能高效地理解和表达不同语言的信息；二是用 Belebele 基准测试 17 种语言的阅读理解能力（Machine Reading Comprehension，简称 MRC），考察模型是否能读懂文本并回答问题；三是用 MC2 数据集测试模型对中国少数民族语言（如藏语、蒙古语）的识别能力。这些实验覆盖了普通话、少数民族语言、亚洲区域语言和欧洲语言，像是给模型们做了一次全面的“语言体检”。

那么，什么是 Information Parity（IP）？用大白话解释，这就像是测试模型在不同语言里“翻译”信息的本事。比如，你用英语说“我爱学习”，模型能不能在中文里同样流畅地表达这个意思？IP 越高，说明模型在这门语言上的信息处理越高效。类似的，MRC 就像是给模型出一道阅读理解题，看它能不能从一段文字里找出正确答案，本质上是在模拟我们日常用语言交流的场景。

研究发现

发现一：普通话遥遥领先

首先，中国模型在普通话（简体中文）上的表现远远超过了西方模型。在信息对等性（IP）和阅读理解（MRC）两项测试中，中国模型的得分都高出一截。比如，在 IP 实验中，所有中国模型在简体中文上的得分都比西方模型更出色；而在 MRC 中，它们的准确率同样领先。

为什么会这样？研究者认为，这可能与中国开发者在普通话数据上的大量投入有关。毕竟，普通话是中国的官方语言，拥有最多的使用者，数据资源也最丰富。开发者自然会优先优化这门语言的表现。这种结果支持了论文提出的“普通话假设”：中国模型在普通话上更强，但在其他语言上和西方模型差不多。

发现二：少数语言的冷落

然而，在粤语、景颇语、拉萨藏语、维吾尔语等语言上，中国模型的表现和西方模型几乎没有差别，甚至有时候还更差。比如，在 IP 和 MRC 测试中，双方在这些语言上的得分都偏低，差距微乎其微。更令人意外的是，在语言识别实验中，一些中国模型甚至无法正确认出维吾尔语和哈萨克语，而西方模型如 Llama3-Instruct 反而表现得更好。换句话说，中国模型虽然“出生”在中国，却对自家少数民族语言有些“陌生”。

这个发现推翻了“多元假设”，即中国模型会在普通话和其他境内语言上都表现出色。相反，它揭示了一个现实：中国模型并未特别关注少数民族语言。研究者推测，这可能与资源分配有关——相比普通话，这些语言的数据稀缺，开发成本高昂。更深一层，这或许也反映了中国近年来的语言政策倾向：普通话优先，少数语言的地位相对边缘化。

发现三：全球视野下的相似性

更令人惊讶的是，中国和西方模型在多语言表现上竟然高度相似。研究用了一个数学指标——Pearson 相关系数，来衡量两者的相关性，结果显示，在指令微调模型中，IP 的相关系数高达 0.925，MRC 更是达到了 0.991。这意味着，无论测试哪种语言，中国和西方模型的表现模式几乎如出一辙。比如，在欧洲语言（如法语、德语）上，两者表现都不错；在亚洲区域语言（如韩语、日语）上，也难分高下。

这支持了“零假设”：中国和西方模型在语言支持上没有太大差异。研究者认为，这可能是因为两者的训练数据来源相似，比如都大量使用了公开的网络数据（如 Common Crawl）。换句话说，中国模型虽然在普通话上占优，但在整体语言分布上，似乎更像是一个“全球玩家”，而非特别聚焦中国或亚洲区域语言。这也否定了“区域假设”，即中国模型会在亚洲语言上更有优势。

研究结论

中国开源大语言模型在普通话上的表现明显优于西方模型，但在其它语言，包括中国少数民族语言和亚洲区域语言上，与西方模型的表现高度相似，几乎没有差别，甚至有时连识别维吾尔语、哈萨克语等少数民族语言的能力都不如西方模型。

这背后是什么原因？研究者认为，这可能反映了中国 AI 开发中的资源分配和社会政治倾向。普通话作为国家语言，拥有最丰富的数据和最迫切的需求，自然成为开发重点。而少数民族语言，尽管在中国文化中举足轻重，却因数据稀缺和政策导向而被边缘化。

同时，中国模型与西方模型的相似性，暗示了它们可能共享了相似的全球数据池，甚至在某种程度上被西方 AI 标准所塑造。比如，DeepSeek-R1 的技术报告显示，它在 10 个英语基准上测试，却只用了 3 个普通话基准。这种“向西看”的趋势，或许是为了在全球 AI 竞赛中占据一席之地？