Cross-Lingual Exploration for Parametric Knowledge
本文提出将跨语言探索作为一种高效的推理时策略，该策略显著增强了大语言模型在 17 种不同语言中的参数化知识检索、事实召回及跨语言一致性，其表现优于母语规模化。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心问题：知识的“封闭房间”
想象一下，大型语言模型（LLM）就像一座巨大的、多语言的图书馆。在这座图书馆里，关于世界的所有事实都存储在书架上（即模型的“参数”）。然而，有一个陷阱：有些事实只写在特定语言的特定书架上。
如果你用英语向图书管理员（AI）询问关于一个日本当地广播节目的问题，他们可能会在“英语”区域寻找，发现一无所获，然后给出一个错误的答案或者说“我不知道”。他们被困在了一个“封闭房间”里，因为正确的信息其实就坐在贴着“日语”标签的书架上，但图书管理员从未想到要走到那里去查看。
这篇论文将这个问题称为参数化知识不可达性（Parametric Knowledge Inaccessibility）。知识确实存在于模型内部，但标准方法无法触及它，因为这些方法始终停留在一种语言中。
解决方案：跨语言探索
作者提出了一种称为**跨语言探索（Cross-Lingual Exploration）**的策略。与其仅仅用你开始使用的语言提问，不如告诉 AI：“嘿，也许答案不在英语里。去寻找这个事实最可能存在的语言，在那里进行思考，然后把答案带回来给我。”
这就像是一个侦探在破案：
- 标准方法： 侦探只会说英语。他询问了一位英语母语的证人，但证人并不知道答案。案件就这样草草结案（且结论错误）。
- 跨语言探索： 侦探意识到线索在一个外国。于是他雇佣了一名翻译，前往那个国家，用当地语言询问当地证人，获得正确答案，然后再将其翻译回来。
该策略的四个维度
论文将这种“侦探工作”分解为他们测试的四个工具（维度）：
语言选择（选择合适的侦探）：
- 类比： 你是派侦探去一个通用的枢纽（如英语，这是一个“中转站”），还是让侦探自己找出线索所属的具体国家？
- 发现： 让 AI 自主选择最佳语言（例如，意识到关于一位阿根廷律师的事实最好在西班牙语中寻找）比强制所有信息通过英语中转效果更好。
路由（所走的路径）：
- 类比： 侦探是走一条直接通往目标国家的路径，还是同时派出 13 名侦探前往 13 个不同的国家？
- 发现： 派出多路径团队（并行探索）是最有效的。这就像撒一张更广的网；即使 12 名侦探都找错了，只要有一名侦探去了正确的国家，就能挽救局面。
聚合（决定谁是赢家）：
- 类比： 一旦团队带着 13 个不同的答案返回，你如何决定哪一个是正确的？你是仅仅选择最流行的答案（多数投票），还是寻找那个可能是少数派观点的“专家”答案？
- 发现： 对于非常具体、局部的知识，**“少数派感知”（Minority Aware）**策略（寻找独特的、正确的答案，即使它是唯一的正确答案）出人意料地有效。
预算（成本）：
- 类比： 你愿意投入多少资金（计算能力）？
- 发现： 尽管要求 AI 用多种语言思考会消耗更多的“Token”（金钱），但它实际上比仅仅用英语重复提问 13 次更高效。你花的每一分钱都能获得更好的回报。
关键结果：他们的发现
- 解锁隐藏事实： 通过切换语言，AI 能够检索到此前无法找到的事实。在某些情况下，对于特定的局部知识，准确率提升了高达 44%。
- 提高一致性： 当 AI 被用不同语言询问同一个问题时（例如，用英语、日语和韩语询问“DJ 是谁？”），它通常会给出不同且冲突的答案。跨语言探索让 AI 无论使用哪种语言都能给出相同的正确答案。这使得 AI 更加可靠，减少了“困惑”。
- 不仅仅是“思考得更深”： 作者证明了这种提升不仅仅来自于 AI “思考得更久”（推理）。提升的核心在于切换语言。翻译并在另一种语言中进行推理这一行为，解锁了记忆。
总结
这篇论文表明，大型语言模型在其“参数”中隐藏了大量知识，但它们经常忘记去正确的语言中寻找。通过将语言不仅视为一种交流方式，而是将其视为开启模型不同部分记忆的钥匙，我们可以让 AI 变得更聪明、更准确，并在全球范围内表现得更加一致。
这并不是在教 AI 新的知识，而是在教它如何寻找它已经掌握的知识。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。