一、研究的核心发现：中文推理训练的性能差距有多大
一项由多方机构联合完成的大规模对照实验，覆盖了9个开源基座模型、参数规模从1B到8B，横跨11种训练语言，完成了超过200组GRPO强化学习推理训练实验。
实验的关键结论按语言拆分后很清晰：
- 中文：英语推理奖励的优势仅约1.1个百分点
- 法语：约1.4个百分点
- 德语：约1.7个百分点
- 日语：约1.6个百分点
中文在所有被测语言中属于差距最小的一档。这一数字与此前多项研究中"强制非英语推理会导致准确率下降10个百分点甚至更多"的结论形成显著反差。
差距明显拉大的是低资源语言：孟加拉语约5.7、泰卢固语约4.6、斯瓦希里语约4.5个百分点。语言本身在预训练阶段积累的语料厚度，直接决定了母语推理训练的性价比。
二、为什么这个数字对中文AI从业者重要
在GRPO强化学习训练中，存在一个关键设计选择：奖励模型使用英语推理，还是使用提问者的母语推理。选英语奖励，即便模型收到中文问题也会切到英语思考；选母语奖励，模型则可以全程用中文完成推理。
在此次研究之前，主流认知是母语推理的性能代价过高，非英语团队只能默认走英语推理路线。这条结论一旦成立，意味着中文推理模型始终要在英语模型的翻译适配层下游运行，无法独立成型。
新的数据表明，对中文来说，这个代价只有约1个百分点，属于工程可接受范围。这意味着中文推理模型有条件从训练阶段就跳过英语，直接走自己的路线。这一前置判断的变化，是这项研究最直接的产业意义。
三、跨语言迁移的收益边界
研究同时呈现了一张11×14的跨语言迁移矩阵：分别用11种语言做单语训练，再在14种语言上交叉评估。
广泛迁移的现象：用一种语言做训练，其他语言的性能几乎都跟着涨。例如，西班牙语单语训练后，法语的性能恢复了目标语言直接训练增益的约96%，只差约1个百分点。中文和日语之间的互相迁移同样明显，可能与二者同属CJK语系、预训练阶段存在共享有关。
反直觉的发现：英语并不总是最好的迁移源。在部分模型上，孟加拉语训练对中文的迁移效果反而优于英语训练。研究者推测，低资源语言的训练会迫使模型更深层地重组推理能力，这种重组带来的泛化有时比高资源语言训练更强。
多语言混合训练的实用性：在Qwen3-Base系列上，多语言混合训练与"为每种评估语言分别挑选最优迁移源"的理想方案相比，平均只差约0.3个百分点，但只需要训练一个模型。对于资源有限的团队，这是一条务实的路径，不必为每种目标语言单独跑训练。
四、性能回退风险与适用边界
跨语言迁移的好消息，被一种特定的失败模式冲淡。
极端回退案例：研究在Qwen3系列非Base模型上观察到，用斯瓦希里语或泰卢固语训练后，这些模型在含英语内容的未见任务上出现了高达约19.2个百分点的性能崩塌（Qwen3-4B斯瓦希里语训练），而训练语言本身的性能正常甚至提升。换成英语或多语言训练，同一批任务保持稳定。
困难任务的回退更集中：Qwen3非Base系列、SmolLM3-3B在非英语单语训练后，程序化生成的高难度数学题目平均分大面积下滑，部分配置跌幅超过30个百分点。回退高度集中在特定任务族，其他任务表现正常。
奖励语言本身也能触发塌方：特定模型用斯瓦希里语数据加母语推理奖励训练后，简单数学任务性能下降约3.1个百分点；但同样数据搭配英语推理奖励，性能反而提升约17.5个百分点。差距超过20个百分点，且在同一模型的其他语言训练中不出现。
这些回退无法从模型或语言中单独预测，只有在特定组合下才会暴露。
五、选择标准与成本评估
基于研究数据，可以提炼几条实用的判断标准：
1. 按语言资源厚度分级决策
- 高资源语言（中文、法语、德语、日语）：母语推理训练的性价比高，差距在2个百分点以内，可以从训练源头走母语路线
- 低资源语言（孟加拉语、泰卢固语、斯瓦希里语）：差距在4-5个百分点以上，是否绕道英语需要根据下游任务的精度要求权衡
2. 模型选型的考量
研究覆盖的是8B以下的开源模型，任务是程序化生成的数学和逻辑题。结果在9个模型上呈现一致趋势，但不是孤例外的绝对保证。真实部署场景中的表现仍需单独验证。
3. 训练方式的取舍
- 单语训练：跨语言迁移收益显著，但存在特定组合下的性能回退风险
- 多语言混合训练：与理想方案差距约0.3个百分点，但只需一个模型，训练成本更低
- 英语路线：仍是低资源语言或高风险场景下的稳健选择
六、落地建议
评估覆盖度是底线要求
"差距可控"和"安全上线"之间差的是评估覆盖度。只看目标语言的平均分，回退藏在暗处；逐语言、逐任务、逐模型排查，才能把风险暴露在上线之前。这项研究最大的实践意义在于证明了逐组合排查不可省略。
分阶段验证路径
- 小规模试训：先用目标语言在小模型上跑几百步GRPO训练，对比英语推理奖励的基线
- 任务族覆盖：在数学、逻辑、代码、多语言理解等多个任务族上交叉评估，不要只看平均分
- 回退检测：重点关注困难题目和未见任务上的性能变化，这些是回退高发的位置
- 组合排查：如果训练数据包含低资源语言，必须对未见任务族做专项评估
对资源受限团队的务实路径
多语言混合训练只需一个模型，与逐语言最优方案差距仅约0.3个百分点，是成本与性能之间较好的平衡点。但需要接受跨语言迁移带来的不确定性，并对目标语言和关键任务做重点验证。
对中文生态的判断
从训练源头就走中文推理路线，在当前的实验数据下是一个合理的工程选择。中文在所有被测语言中差距最小，且既是好的迁移接收方也是好的迁移发送方。但"可控"不等于"零风险"，逐组合的评估仍然是上线前不可或缺的步骤。
如何用起来：通过 OpenStarry 接入
如果你想直接用上 qwen 这类模型/工具，可以通过 OpenStarry 用一个 Key 快速接入，无需各自注册多个平台：
- 一个 Key 接入 13 款模型，完整兼容 OpenAI SDK，两行代码即可迁移；
- 官方原厂通道与自动容灾，节点异常时自动切换；
- 按量付费、人民币结算，模型调用费用以 OpenStarry 官网标价为准。
接入示例：
base_url: https://api.openstarry.com/v1
api_key: <你的 OpenStarry Key>
model: qwen3.7-max