论文链接：arxiv.org/abs/2608.25832 代码仓库：github.com/TextArena/TextArena（65 博弈 × 193 语言的多语言扩展已并入主库） 发表时间：2026年8月 机构：A*STAR（新加坡）、Weizmann Institute of Science、MIT-IBM Watson AI Lab、University of Cambridge、EleutherAI——非典型产学联合：MIT-IBM 为产学联合实验室，其余为科研机构与开源社区（EleutherAI） 领域标签：cs.CL / 多语言评估 / Agent 评测 / 博弈环境
一、论文背景
1.1 多语言 LLM 的「不平等」问题
LLM 号称多语言，但早已知道它们跨语言表现不均：同一问题翻译成不同语言，模型的回答质量参差。这带来了公平性与可靠性问题——用希伯来语或马来语与模型交互的用户，得到的服务质量系统性低于英语用户。
1.2 已知的问题：知识获取不一致
已有大量研究关注跨语言知识不一致：模型在英语里知道的事实，换个语言就取不出来（factual compartmentalization，事实隔舱化）。研究发现知识常被「存了两份」而非共享，跨语言迁移失败是根源。
1.3 未知的空位：技能是否语言不变？
一个同样重要却远未理解的问题：同一个模型，用不同语言交互时，展现的「技能集」是否相同？ 换句话说——不谈检索知识，模型能否在某些语言里更有效地推理、规划、决策？
这个问题难回答，因为要把语言的影响从知识储备和整体基准表现中剥离出来。静态多语言基准（Global-MMLU、Belebele）测的是固定输入的准确率，看不出模型在持续交互中是否表达出「等价的策略」。
二、论文定位和关联工作
2.1 研究谱系一：多语言评测
从理解任务（NLI、QA、常识推理）到能力覆盖（数学推理、阅读理解、代码生成、指令遵循），再到近期从本地来源取题的文化情境知识基准。共同局限：固定输入+预定义答案——能发现「准确率随语言变化」，不能发现「模型在演化的交互中是否执行等价策略」。本文把 Belebele 与 Global-MMLU 用作参照（相关性分析），用 Multilingual TextArena 检验交互技能的语言一致性。
2.2 研究谱系二：跨语言知识/技能迁移
- 事实隔舱化（Goldman et al. 2025; Ifergan et al. 2024 等）：一种语言获得的信息在另一种语言里可能取不出；看似一致的知识常是双份存储；多语言推理的后处理方案；
- 技能迁移（Hu et al. 2020; Malkin et al. 2022 等）：研究在一种/几种语言监督习得的任务能力能否泛化到其他语言（source fine-tuning 范式）。
本文的正交性：不研究「通过某语言学到的技能如何迁移」，而研究语言条件化的技能访问与表达——技能已在模型里，问题是每种语言界面能取出多少。
2.3 研究谱系三：交互式与博弈评测
工具使用环境、博弈基准测规划/空间推理/协调/目标导向决策；博弈论环境（含 LLM 直接对战）测策略与社交推理。已有工作都在共享或固定语言界面下比较模型/提示/架构；本文反其道——固定模型，用竞争环境研究模型内部的语言条件化变异。
定位结论：首个用受控自博弈隔离「技能的语言条件化」问题的测量研究，与跨语言知识不一致研究正交，且机制定位（推理语言干预）超出单纯基准报告。
三、问题定义
3.1 从具体场景出发
具体问题：让同一个模型分别用德语和英语界面下同一盘井字棋，它表现出的棋力相同吗？如果技能是「语言不变」的，两个实例的胜负应该像「自己跟自己下同语言棋」一样随机对半分布。
3.2 核心洞察：自博弈是天然的完美对照
论文的抽象设计：同一模型的两个实例，在同一个环境里通过不同语言界面对战。因为模型、对手、规则、状态空间、合法动作全部固定，唯一的变量是语言界面——测出来的任何行为差异只能来自模型内部的语言条件化处理。
关键细节：语言无关字符串有意保留不译——棋盘符号、坐标、牌面花色点数、数字、固定动作语法（如 [bet]、井字棋的 [1]）。这保证共享的游戏机制与动作格式不变，语言只改变「界面表述」而非任务本体。
3.3 形式化定义
每个博弈 $g$ 实现为马尔可夫环境 $E_g$：状态 $s_t$、玩家可见观察 $o_t$、动作 $a_t$、终局 $s_H$（胜/负/平）。语言指派为有序对 $(\ell_0, \ell_1)$，$\ell_i \in L = \{$en, ar, de, es, fr, he, ms, zh$\}$（8 种 Tier-A 语言）。
角色池化胜负差（核心指标）：
$$\Delta_{m,g}(A,B) = \frac{W_{m,g}(A,B) - L_{m,g}(A,B)}{N_{m,g}(A,B)} \in [-1, 1]$$把 $(A,B)$ 与 $(B,A)$ 两种角色指派的结果从语言 A 的视角合并计数——池化两种指派控制了结构性角色优势（如井字棋先手优势），且构造上 $\Delta(A,B) = -\Delta(B,A)$。
语言均值 $\mu_{m,g}(A)$：语言 A 对其余七种语言的平均 margin；模型级宏平均 $\bar{\mu}_m(A)$：跨六博弈平均。
实验规模：每模型-博弈-语言对（含同语言对）双角色各 400 局 → 每模型-博弈 28,800 局 → 三模型 × 六博弈共 518,400 局。
3.4 抽象的精妙之处
「技能语言不变性」这个不可直接观测的命题，被转译为可检验的统计零假设：同语言对局的胜负随机分布。拒绝它只需一个受控环境——自博弈同时消灭了「对手强弱」「任务差异」「知识差异」三个混淆。
四、问题解法
4.1 基础设施：Multilingual TextArena
TextArena 是开源的 100+ 竞争性文字博弈集。本文做了大规模多语言扩展——65 个博弈 × 193 种语言，按翻译质量分级：
| 层级 | 语言数 | 翻译与验证方式 |
|---|---|---|
| Tier A | 8 | Claude Opus 4.8 / GPT-5.2 翻译 + 母语者人工校验（本文实验用） |
| Tier B | 42 | Llama-3.1-405B / Qwen2.5-72B 翻译 + 回译 + Claude 判忠实（4 种子失败则降级） |
| Tier C / E | 124 / 18 | NLLB-200 翻译 + 双模型独立评忠实（85% 阈值分层） |
Tier-A 八语按「类型学、文字系统、文化、使用人数」的多样性选取，保证每个维度至少两语共享——英语、阿拉伯语、德语、西班牙语、法语、希伯来语、马来语、中文。
4.2 六个博弈环境与被测技能
| 博弈 | 类型 | 探测技能 |
|---|---|---|
| TicTacToe | 完全信息·已解 | 行列对角的空间推理 |
| Nim | 完全信息·已解 | 已知最优策略的检索执行 |
| Simple Tak | 完全信息 | 空间规划：路径搭建与阻断 |
| Colonel Blotto | 同时行动 | 资源分配与对手建模 |
| Kuhn Poker | 不完全信息 | 风险决策与诈唬 |
| Iterated Prisoner’s Dilemma | 重复社交 | 合作与意图推断 |
六个博弈合起来覆盖空间/数值推理、规划、分配、诈唬、合作、适应。无效动作给一次纠正机会，再犯即判负。采样参数 temperature=1.0、top_p=0.95、top_k=64 鼓励多样化自博弈轨迹。
4.3 推理语言干预实验（界面与推理解耦）
前人发现把非英语输入译成英语再推理能提升性能（self-translation、question-alignment）。本文把两个变量拆开：界面语言固定为某弱语言，只换中间推理语言——观察恢复多少性能。这能定位语言敏感发生的阶段（状态解读 vs 中间推理 vs 动作选择）。
五、评估指标与实验证据
5.1 指标体系
- 主指标：角色池化胜负差 $\Delta$ 与语言均值 $\mu$、模型级 $\bar{\mu}$——衡量「该语言界面的实测强度」；
- 语言敏感度：$\max_\ell \mu_\ell - \min_\ell \mu_\ell$（语言层级最陡落差）——衡量「技能表达随语言波动的幅度」；
- 行为指标：失败分布（行/列/对角）、卡牌条件化动作率、无效动作率、Nim 最优策略提及率——定位「怎么输的」；
- 外部参照：Global-MMLU / Belebele 静态多语言能力、FineWeb-2 语料量代理——解释「为什么强」。
5.2 主发现一：能力确实随语言变化
三个模型的整体语言层级热图（Fig. 2）显示：
- 英语在三个模型上平均一致最强，希伯来语一致垫底；
- 幅度模型依赖：Gemma 相对平稳（各语言均值 −0.14 到 +0.14 附近），Qwen 层级最陡（en 对 he 达 +0.38，zh/en 强、ar/he 弱的分化明显）；
- 语言敏感度因博弈而异：Colonel Blotto 平均 1.07 最大，Kuhn Poker 0.13 最小（Tab. 2）。Blotto 需要用语言组织资源分配的抽象规划，对语言界面最敏感；Kuhn Poker 动作空间极小（check/bet/call/fold 四选一），语言影响被压缩。
关键读数：博弈基本是抽象的——棋盘、牌、数字、动作都没变，连「核心任务信息是非语言的」时，语言界面仍能决定模型表达出哪些能力。
5.3 主发现二：语言条件化的技能差异（怎么输的）
- 空间推理：英语界面的失败均衡分布在行/列/对角；阿拉伯语、希伯来语等非拉丁字母界面系统性偏向「列与对角线」失守，轨迹显示模型频繁把格子序列误标成线——空间关系的语言表述影响了坐标到几何的映射；
- 策略行为：Kuhn Poker 里同一模型随界面语言采取不同风险画像——Qwen 拿最弱牌诈唬的比率跨语言相差两倍以上；Gemma 最大变异出现在中间牌 Q 的打法上；
- 已知知识的不等访问（最鲜明的效应）：Nim 有完全算法解（把 Nim-sum 归零）。在阿拉伯语和希伯来语界面下，Qwen 与 Ministral 的最优策略提及率、首步最优执行率、胜率全部骤降；且这些语言里剩余的策略提及多数来自那一小部分对局——模型在推理中途自发切换成了拉丁字母。结论：策略在模型里存在，但并非每个语言界面都可靠可达——只换处理语言就能找回本会丢失的知识。
5.4 主发现三：更强的推理语言可恢复性能
| 博弈 | 弱界面基准 | 换推理语言后 | 恢复率 | 界面上限 |
|---|---|---|---|---|
| TicTacToe (Gemma) | de/de μ=−0.22 | de/en μ=+0.20 | 89.4% | en/en +0.25 |
| Simple Tak (Gemma) | de/de μ=−0.21 | de/en μ=+0.05 | 60.5% | en/en +0.22 |
| Kuhn Poker (Gemma) | zh/zh μ=−0.01 | zh/es μ=−0.01 | 37.6% | es/es +0.02 |
德语界面下棋力 −0.22 的 Gemma，仅把中间推理语言换成英语（环境观察原样不动）就升到 +0.20——恢复到英语界面上限差距的 89.4%。这说明这些博弈里的语言效应相当一部分发生在中间推理阶段。但 Kuhn Poker 恢复有限且非单调——语言敏感可能出现在交互的不同阶段（状态解读、推理、知识检索、动作选择），不能总靠换推理语言解决。
5.5 主发现四：外部参照解释一部分
- 与静态基准相关：语言均值与 Global-MMLU 的 Pearson r 在 0.73-0.92 之间（与 Belebele 0.71-0.79）——静态基准上强的语言平均也是自博弈里赢的语言。但基准水平预测不了跨语言稳定性：Gemma 的 Global-MMLU 均值三模型最低、跨语言落差却最小；Qwen 均值最高、落差最大。「平均更好」与「跨语言更均匀」是两个独立维度；
- 与语料量相关：语言均值与 FineWeb-2 词数（log10）的拟合 r 平均 0.79——网络文本越多的语言界面越强；
- 两个偏离点暴露机制： 马来语在三个模型上都高于拟合线、且语料比希伯来语少却更强——与 ECLeKTic 的「共享文字系统的语言间迁移更强」一致：拉丁字母的马来语吃到高资源拉丁语言（英/法/西/德）的迁移红利，希伯来语吃不到； 中文可用语料约为英语 1/20，Qwen 和 Ministral 却接近英语强度（Gemma 则接近零）——同样数据可用性在不同模型上实现出完全不同的实测强度，且中文不靠共享文字系统——数据量与文字系统各解释一部分，剩下的变异是模型特有的。
5.6 为什么实验设计能证明论点
三层递进：(1) 受控性——自博弈固定一切只留语言变量，同语言对角线提供「无差异时的期望分布」作为零假设参照；(2) 机制性——失败分布/卡牌条件化动作/Nim 策略提及给出「怎么输」的行为学证据，推理语言干预定位「在哪个阶段输」；(3) 解释性——静态基准与语料量的相关性分析把「为什么」拆成可归因的成分并诚实报告残差。
六、效果优势的根源解释
本文是测量型论文，「效果」指测量设计的效度。根源解释：为什么语言界面能改变抽象博弈中的技能表达？
机制因果链：
- 博弈环境的完美受控：规则、状态、动作空间、连坐标/牌面/数字都不翻译——任务本体是非语言的。测得的行为差异无法归因于任务差异或知识差异（对手是同一个模型）；
- 差异只能来自模型内部的语言条件化处理：同一组权重，接收德语观察 vs 英语观察时激活的内部通路不同。空间推理失败模式（非拉丁字母界面偏列/对角失守、格子序列误标成线）暗示：空间关系的语言表述参与了模型对坐标-几何映射的构建——用不熟悉的语言表述坐标时，映射精度下降；
- 知识「存在但不可达」的机制：Nim 的 Nim-sum 策略显然以英语语料为主习得；阿/希界面下策略提及骤降、且剩余提及多来自中途切拉丁字母的对局——策略的存储与「用语言 X 检索」之间隔着一层访问接口，这层接口的语言条件化决定了知识可达性。这与事实隔舱化文献「知识存两份而非共享」的发现同构，但推广到了程序性技能；
- 推理语言干预的定位力：界面固定、只换推理语言能恢复 89.4%——说明 TicTacToe 里语言伤害主要发生在中间推理阶段（模型用自己的语言组织「我要堵哪条线」的思考）；Kuhn Poker 恢复有限——伤害在状态解读或决策直觉层面，换推理语言无济于事。语言影响交互的多个阶段，位置因任务而异；
- 层级来源的三元分解：数据量（r≈0.79 的主效应）+ 文字系统（马来语 vs 希伯来语的对照：共享拉丁字母获得跨语言迁移）+ 模型特有实现（中文在 Qwen/Ministral 强、Gemma 弱，同样语料实现不同强度）——三个成分各自必要、合不拢的残差留给模型训练配方。
反事实验证：同语言对局（对角线）的 margin 接近零——若语言真无影响，所有格子应长得像对角线；实际非对角格子系统性偏离——语言效应存在的直接证据。
如实说明：仅 3B-4B 尺度（不应解读为尺度不变的语言效应）；模型训练数据不公开，语料量只能用 FineWeb-2 代理；结果不应外推到更大模型。
七、必要知识反推
7.1 领域知识层
- 跨语言知识不一致的研究现状（事实隔舱化、双份存储、迁移失败）：不知道这条线的边界，就无法定义「技能不一致」这个正交空位；
- 博弈论与每个博弈的技能结构：Nim 的 Nim-sum 完全解是「已知知识可达性」测试的支点；Kuhn Poker 的小动作空间解释其低敏感度——不懂博弈就选不出敏感度梯度设计；
- 语言的类型学多样性维度（文字系统、语系、资源量）：Tier-A 选语的「每维度至少两语共享」设计需要这个知识。
7.2 方法论知识层
- 受控实验的变量分离思想：自博弈消对手、固定规则消任务、保留非语言符号消机制差异——层层剥离后语言成为唯一变量；
- 角色池化设计：先手优势等结构性偏差必须从两种角色指派合并中消除，否则语言效应与角色效应混淆；
- 静态基准与动态行为的相关性分析：r=0.73-0.92 的相关 + 「稳定性不可预测」的残差发现——相关分析的规范用法；
- 翻译质量分级管线：人工校验（Tier A）/回译+裁判（Tier B）/NLLB+双模型评（Tier C/E）——按预算与质量需求分层。
7.3 工程知识层
- 大规模自博弈基础设施：51.84 万局的调度、
\boxed{}动作抽取、无效动作的纠正-判负协议、采样参数（temp 1.0/top_p 0.95/top_k 64）选择； - 多语言环境渲染：观察按语言渲染而规则/转移/奖励不变——环境代码与文案模板分离的工程设计；
- 语料量代理估计：英语不在 FineWeb-2 里，用 FineWeb + 1.3 的 token-词生育率折算。
7.4 知识融合的关键节点
- 节点一：自博弈 × 语言指派——把「自我对弈保证势均力敌」的博弈论常识翻转为测量工具：同语言对局是零假设参照，跨语言对局的偏离即信号。需要博弈评测与实验设计的交叉视野。
- 节点二：界面语言与推理语言的解耦——前人 self-translation 把翻译与推理混在一起；拆开后才能说「语言影响发生在哪个阶段」。这是干预实验设计的经典手法在 LLM 评测的应用。
- 节点三：文字系统作为迁移通道的验证——马来语/希伯来语对照与中文反例的三点布局，把「数据量」「文字系统」「模型实现」三个假设放进同一张散点图互相校验。
八、论文中可以提取的通用性灵感
灵感一：自博弈是测量「内部条件化变异」的万能对照
核心思想：让同一系统的两个副本在固定环境中通过不同条件（语言/温度/提示/ persona）对战，可以把「条件对行为的影响」从一切能力差异中干净剥离——同条件对局提供零假设参照。 论文证据：同语言对角线 margin≈0；跨语言格子系统性偏离；51.84 万局的规模使每个格子的偏差都可统计检验。 推广场景：(1) 提示词 A/B 的行为级比较（非准确级）；(2) Agent 配置参数的影响测量；(3) 模型量化/蒸馏前后的行为一致性审计；(4) 任何「同一智能体、两种条件」的受控行为比较。
灵感二：能力「存在」与「可达」是两回事——访问接口可能屏蔽存量能力
核心思想：系统已具备的能力可能因接口条件（语言、模态、格式）而不可达；评估存量能力要设计「绕过接口」的探针（如观察中途自发切换行为）。 论文证据：Nim 最优策略在阿/希界面提及率骤降，但剩余提及多数来自中途切拉丁字母的对局——策略在模型里，接口挡住了检索。 推广场景：(1) RAG 系统的知识「在库里但检索不到」审计；(2) 多模态模型的跨模态知识可达性测试；(3) 组织知识管理中「文档存在但没人找得到」;(4) 模型 long-context 里的 lost-in-the-middle。
灵感三：干预定位——把「影响」拆到处理阶段
核心思想：当一个因素（如语言）可能影响多个处理阶段时，固定输入端、只换中间处理语言（或反之）的干预设计能定位伤害发生的位置，并为修复指路。 论文证据：de 界面 + en 推理恢复 TTT 89.4% 损失（推理阶段主导）；同设计在 Kuhn Poker 只恢复 37.6% 且非单调（状态解读/决策阶段主导）。 推广场景：(1) 多模态管线中「感知 vs 推理」的误差归因；(2) Agent 系统中「工具调用 vs 规划」的阶段消融；(3) 人机交互中「理解 vs 表达」的瓶颈定位；(4) 编译器优化的 pass 级 profiling。
灵感四：「平均更好」与「更均匀」是独立维度
核心思想：评价系统在多条件下的表现时，均值与跨条件方差是两个正交维度——平均分最高的系统可能恰恰是最不均匀的，公平性评估必须单独报告离散度。 论文证据：Gemma 的 Global-MMLU 均值最低但跨语言落差最小；Qwen 均值最高、落差最大。 推广场景:(1) 模型评测报告加「分组方差」指标；(2) 产品质量的多地域公平性审计；(3) 算法交易的「收益高但波动大」风险刻画；(4) 教育评价中的均衡性指标。
灵感五：共享表示（文字系统）是跨条件迁移的隐形通道
核心思想：表面条件（资源量）相近的两个群体，可能因与强势群体的底层表示共享（文字系统）而获得完全不同的实际能力——评估与资源配置都要看「迁移通道」而非只看自身体量。 论文证据：马来语语料最少却强于希伯来语（吃拉丁字母迁移红利）；中文语料 1/20 于英语却在 Qwen/Ministral 接近英语（模型特有实现），Gemma 则否。 推广场景：(1) 小语种模型的「借力」路线评估（借文字系统 vs 借语系）；(2) 编程语言间的迁移学习（共享语法族）；(3) 新技术生态的「兼容层」价值评估；(4) 多品牌产品共享底层组件的能力外溢分析。
一句话总结：同一个模型用不同语言下棋，棋力真的不一样——策略明明在脑子里，换个语言界面就取不出来；好在把「思考语言」切回英语能找回近九成功力，但语言对模型的伤害远不止「读不懂」，它渗透在决策的每个阶段。