多语言评测（Multilingual Eval）

一句话理解

同一套卷子换成几十种语言再考一遍——看模型是不是“偏科英语”，多语言能力的水分挤出机。

定义

多语言评测考察模型在不同语言上的表现是否一致：代表有覆盖上百种语言的 FLORES（翻译）、多语言版综合题集与多语言数学题集等。常见结论是“英语最强、低资源语言明显掉分”，掉多少是选型的关键信息。

你会在哪遇到它

模型卡里的多语言成绩段落；讨论“国产模型中文到底强多少”的文章；出海产品选型时的语言覆盖清单。

背后的原理

做法通常是把同一题集翻译成多语言版本分别考试，对比分数差。坑很多：翻译质量影响难度、文化背景不通用（美式常识题换语言并不同构）、小语种的分词（1073）天然吃亏。所以跨语言分数要结合本地化评测一起看，国产机构也会自建更贴近中文语境的权威榜单。

和相近概念的区别

1 与评测基准（936）：多语言评测是把基准换语言跑，属于基准的扩展维度。 2 与 AI 翻译（954）：翻译只考语言转换，多语言评测考“各语言下的综合能力”。 3 与低资源语言：标准榜单覆盖不了真正的低资源语言，需要专门评测。

常见误区

1 各语言分数应该一样——训练语料英语占比高，差距是结构性存在的。 2 翻译版题目等于本土题——文化语境不同，直接换语言会失真。 3 中文好等于中文榜强——不同榜单口径差异大，看榜单先看是谁做的。