多语言LM训练数据被嘈杂翻译淹没致母语失真

2026年10月6日，在 COLM 2026 上，UrikaUri 发布 MameLoshnLM 相关研究，聚焦多语言语言模型的训练数据构成问题。研究借意第绪谚语「语言是有军队的方言」作比，称多语言 LM 的训练数据正是那支军队；当某语言的母语文本被大量嘈杂的翻译文本淹没时，模型看似流利，却丢失该语言独有的特质。研究者 Yoav Goldberg（yoavgo）转发了这一研究。报道未给出具体实验数据、涉及语种清单或后续计划。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。