新研究：印地语与马拉雅拉姆语中，仅调整语序或语态便致多语言LLM数学推理显著退化
该研究构建了IndicReStruct基准，涵盖GSM8K-Reordered与GSM8K-Voice两个变体，在6个先进多语言LLM上验证了结构扰动对推理性能的一致影响。
AI解读：这条新闻揭示了一个关键问题：当前多语言大模型虽然表面上看能处理多种语言，但对句子的表面形式极其敏感。研究人员用印地语和马拉雅拉姆语做了实验，只是把句子里的成分顺序调换一下，或者把主动句改成被动句——这些操作不改变意思——结果模型的数学解题能力就明显下降。这说明模型并没有真正理解句子的含义，而是在依赖一些表面的句法线索。对开发者来说，这意味着在评估模型时不能只看标准测试集的表现，还要测试它在不同句式下的鲁棒性；对使用这些模型做本地化应用的人来说，同一个问题换个说法可能就会得到不同答案，影响服务质量。中断分析显示，问题常出在模型搞不清实体和数量之间的对应关系，而中间层的Transformer模块对恢复推理最有效，这给后续改进指了方向。目前这只是学术研究，还没有公开的修复方案，普通用户暂时无需特别行动。
印度与国际研究团队发布论文，报告多语言大语言模型（LLM）在语义保持的结构扰动下，数学推理性能出现显著且一致的下降。依据的是arXiv预印本论文《Lost in Reordering: Structural Sensitivity of Multilingual LLMs under Semantics-Preserving Perturbations》，已获EMNLP 2026 Findings长文录用。
基准与实验设置
研究针对印地语和马拉雅拉姆语（两者语序相对自由），设计了两种语言学扰动：有约束的句法成分重排，以及主动-被动语态转换。所有扰动均不改变原句语义。
团队据此构建基准数据集IndicReStruct，包括两个变体：GSM8K-Reordered与GSM8K-Voice，均由GSM8K题目改写而来，改写后保留了原意。
- 对象语言：印地语（Hindi）和马拉雅拉姆语（Malayalam）
- 扰动类型：受约束成分重排、主动-被动语态转换
- 评测模型：6个当前最先进的多语言大模型；测试了多种提示策略
- 结果发现：全部模型在结构扰动输入下，数学推理表现均出现一致且显著的下降
故障的定位与分析
研究团队开展了定性错误分析和对残差流激活的机制可解释性实验（residual-stream activation patching）。
分析显示，推理失败的常见成因是实体与数量之间的对齐关系被扰动打乱；
在中间层的Transformer模块对恢复推理的贡献最强。
论文总结为：当前多语言LLM对表层句法实现非常敏感，在结构不同但语义等价的输入下，缺乏稳健的成分不变性。