機器之心報道

編輯：冷貓

就在前天，DeepSeek 一口氣上新了兩個新模型，DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale。

這兩大版本在推理能力上有了顯著的提升，DeepSeek-V3.2 版本能和 GPT-5 硬碰硬，而 Speciale 結合長思考和定理證明能力，表現媲美 Gemini-3.0-Pro。有讀者評論說：「這個模型不應該叫 V3.2，應該叫 V4?！?/p>

海外研究者也迫不及待的用上了 DeepSeek 的新版本，在感慨 DeepSeek 推理速度顯著提升之余，卻又碰上了他們難以理解的事情：

哪怕在用英文詢問 DeepSeek 的時候，它在思考過程中還是會切回「神秘的東方文字」。

這就把海外友人整蒙了：明明沒有用中文提問，為什么模型還是會使用中文思考，難道用中文推理更好更快？

評論區有兩種不同的觀點，但大部分評論都認為：「漢字的信息密度更高」

來自亞馬遜的研究者也這么認為：

這個結論很符合我們日常的認知，表達相同的文本含義，中文所需的字符量是明顯更少的。如果大模型理解與語義壓縮相關的話，那么中文相比于廣泛使用的英文在壓縮方面更有效率?；蛟S這也是「中文更省 token」說法的來源。

具有多語言能力的大模型如果只采用英語思考的模式往往會導致一些效率問題。不光是中文，采用其他非英語的語言進行推理確實能夠有更好的表現。

一篇來自微軟的論文《EfficientXLang: Towards Improving Token Efficiency Through Cross-Lingual Reasoning》發現，使用非英語語言進行推理不僅減少了 Token 消耗，還能保持準確性。即使將推理軌跡翻譯回英語，這種優勢依然存在，這表明這種變化源于推理行為的實質性轉變，而非僅僅是表層的語言效應。

論文標題：EfficientXLang: Towards Improving Token Efficiency Through Cross-Lingual Reasoning論文鏈接：https://www.arxiv.org/abs/2507.00246

在該論文中，作者，評估了三個最先進的開源推理模型：DeepSeek R1、Qwen 2.5 (32B) 和 Qwen 3 (235B-A22B)，問題以英語呈現，但模型被明確指示以七種目標語言中的一種執行其推理步驟：中文 (zh)、俄語 (ru)、西班牙語 (es)、印地語 (hi)、阿拉伯語 (ar)、韓語 (ko) 和土耳其語 (tr)。最終答案必須以英語提供，以確保評估的一致性。

Token 數量比率與在英語和目標語言中均至少有一個正確答案的問題數量（最少 5 個共同案例）的關系，該比率是相對于 DeepSeek R1 每個問題的平均英語 Token 數量計算得出的。

在所有評估的模型和數據集上，與英語相比，使用非英語語言進行推理始終能實現 20-40% 的顯著令牌降低，而且通常不影響準確性。DeepSeek R1 的 token 減少量從 14.1%（俄語）到 29.9%（西班牙語）不等，而 Qwen 3 則表現出更顯著的節省，韓語的減少量高達 73%。這些效率提升直接轉化為推理成本降低、延遲更低和計算資源需求降低。

從實驗結果來看，中文確實相比英文能夠節省推理 token 成本，但卻并不是最具有效率的語言。

另一個研究論文同樣支撐著類似觀點，來自馬里蘭大學和微軟的研究論文《One ruler to measure them all: Benchmarking multilingual long-context language models》，提出了包含 26 種語言的多語言基準 OneRuler，用于評估大型語言模型（LLM）在長達 128K 令牌的長上下文理解能力。

論文標題：One ruler to measure them all: Benchmarking multilingual long-context language models論文鏈接：https://www.arxiv.org/abs/2503.01996v3

研究者們通過兩個步驟構建了 OneRuler：首先為每個任務編寫英語指令，然后與母語使用者合作將其翻譯成另外 25 種語言。

針對開放權重和閉源語言模型的實驗表明，隨著上下文長度從 8K 增加到 128K token，低資源語言與高資源語言之間的性能差距日益擴大。令人驚訝的是，英語并不是長上下文任務中表現最好的語言（在 26 種語言中排名第 6），而波蘭語位居榜首。在指令和上下文語言不一致的跨語言場景中，根據指令語言的不同，性能波動幅度可達 20%。

圖 4：在長上下文任務（64K 和 128K）中，按語言資源組分類的各模型和語言的 NIAH 性能表現。Gemini 1.5 Flash 展現了最佳的長上下文性能，而出人意料的是，英語和中文并未進入排名前五的語言之列。

既然中英文都不是具有最佳大模型性能的語言，那大模型選擇思考語言的方式并不是完全以效率為先。

所以評論區的第二種觀點：「訓練數據中包含更多中文內容」，似乎更加合理。

國產大模型采用更多中文訓練語料，其思考過程出現中文是正?，F象。就像 AI 編程工具 Cursor 發布的新版本 2.0 核心模型「Composer-1」被質疑是中國模型套殼，正是因為其思考過程完全由中文構成。

但類似的事放在 GPT 上就說不通了，畢竟在它的訓練過程中，英文數據的占比顯然是更高的。

在今年 1 月份就有類似的事情發生，網友發現來自 OpenAI 的 o1-pro 模型也會隨機出現中文思考過程。

或許這就是人類語言的魅力，不同的語言有不同的特性，在大模型中總會有各種奇怪的事情發生。

大模型說中文的事情越來越多，中文訓練語料也越來越豐富。

說不定有一天，我們能夠像海外友人自嘲一樣笑話大模型：「我并不是要你變成中國人。我是說 —— 當時機成熟時，你照照鏡子，就會發現自己早已是中國人了?！?/p>