美因茨大学研究：AI用德语思考答德语题，比用法语思考更准

用过AI问答工具的人大概都见过这种场面：问它一个专业问题，它先"哼哼唧唧"想上一阵，再吐出答案。这段琢磨的过程，行话叫"推理链"。

**推理链**：大语言模型在给出最终答案之前生成的一段思考文字，好比人做数学题先在草稿纸上列步骤，有了这一步，答案准确率能高出不少。

但有个现象挺有意思——眼下几乎所有顶尖AI模型的推理链，都是用英语写的，你拿中文、德语、法语去提问也一样。这倒不是巧合：训练这些模型所依赖的高质量推理数据，绝大多数出自英语语料。

问题随之而来。一个德国人用德语问AI本土知识，AI却拿英语"打草稿"，中间会不会漏掉什么？此前已有研究发现，硬逼AI用非英语思考，即便这语言和提问语言一致，准确率也会掉。不过那项研究测的场景偏简单，只让AI直接答一个短问题，手头没有额外资料可查。

德国美因茨大学的这篇论文把问题往前推了一步：假如AI并非凭空作答，而是先翻一堆资料、读懂了再组织语言呢？这种"先查再答"的模式，技术上叫检索增强生成。

**检索增强生成（RAG）**：先从外部知识库里挑出与问题相关的文档片段，再交给AI参照着回答，而不是单靠AI自己脑子里的记忆，如此能大幅压低AI胡编乱造的概率。

研究者推测，一旦AI要消化大段德语资料，情形可能就不同了。把一本德语说明书在脑子里译成英语去理解，再把结论译回德语写出来，这个来回里信息损耗的风险，显然高过直接用德语读懂、直接用德语总结。

找一个AI绝对不认识的世界来做实验

要验证这个想法，最头疼的是找个合适的测试场景。

拿常见的德语知识去问AI，它多半靠记忆就答对了，压根用不着查资料，这样一来，"查资料时用什么语言思考"的影响根本测不出来。

研究团队的办法挺巧妙：挑一个资料异常丰富、又足够冷门、AI完全没学过的领域。他们看中了《黑暗世界》——1984年就问世的德国桌面角色扮演游戏，堪称德语世界的"龙与地下城"。游戏虚构的世界阿芬图利亚，几十年来被德国出版商写下一本又一本详细的"地理百科""历史设定集"，内容极为扎实，可这些书全是德语，且小众到主流AI训练数据基本不会收录。

这就像要考一个学生的"阅读理解"而非"背诵"，你肯定不会从课本里出题，而是找一篇他从未见过的冷门文章。研究者先做了验证：不让AI查任何资料、直接回答关于阿芬图利亚的问题，无论小模型还是大模型，答对比例都低到接近瞎蒙（满分5分平均只有1.3分上下）。可见AI对这个世界的确一无所知，非得靠检索到的德语资料才能答题，这正是研究需要的干净实验环境。

为搭出这个专属知识库，团队做了大量基础工程。这些设定集的PDF排版是密密麻麻的两栏三栏混排，市面上的PDF转文字工具全都搞不定，读出来的内容顺序会乱。研究者自己写了一套半自动化流程，把每本书拆成带层级结构的"章节-小节"知识块，每个知识块都记着自己的"父节点"和"子节点"，跟文件夹的树状目录一个道理。

这个细节很关键。论文里举了个例子：书里有一段讲"市场摊位要交税"，单拎出来看根本不知道说的是哪座城市；可这个知识块要是带着它的上级标题"阿尔安法城"，读者立马就明白背景了。

德语思考打败法语思考，但输的不是语言能力

实验的核心设计是：同一个AI系统，分别在"用德语思考""用英语思考""用法语思考"以及"不限制语言自由思考"几种模式下，回答同样的585道关于阿芬图利亚的单段落问题，外加30道需要综合多处资料的复杂问题。

结果最扎眼的一条：被强制用德语思考的AI，表现明显好过被强制用法语思考的AI。满分5分的评分里，德语思考拿到3.701分，法语思考只有3.491分，相差0.21分，统计上显著。

单看这一条，你也许会说：这不理所当然吗？问题和资料都是德语，用德语想当然更顺。可论文真正有意思的地方在后头——研究者查了该模型（Qwen3）官方公布的能力评测数据，发现它的法语水平其实强过德语（法语基准分71.8，德语只有68.2）。

换句话说，若单比"AI更擅长哪种语言"，该赢的是法语。实验结果却是德语胜出。可见真正起作用的，不是"AI法语德语谁更强"，而是"AI思考用的语言跟它正在读的资料语言对不对得上"。

论文里说的“对齐”效应，核心逻辑其实不复杂，拿个生活里的场景就能说明白。比方说，你手上有一份德语合同，要帮一位法国朋友翻译。路子有两条：一条是你法语很顺，可合同通篇德语术语，你得先在脑子里把德语转成法语才看得懂，再把想明白的结论译回法语讲给朋友听；另一条是你德语算不上流利，但你直接拿德语去啃原文，然后尽力转述出来。哪条路更不容易把合同细节弄丢？答案显然是后一条——中间少了一道语言转换，信息失真的环节也就跟着少了一个。反过来，要是你非拿自己更拿手的语言去对付一份语言完全不同的材料，那每“翻译”一次，就多一次信息泄露的机会；哪怕你翻得再好，次数一多，出错的概率也会累积起来。说到底，要紧的不是语言能力绝对水平的高低，而是你思考时用的语言和材料本身的语言是不是一致。

资料越规整，德语思考的优势越明显

研究团队还做了一组对照实验，比较"资料被简单粗暴切块"和"资料按章节结构规整切块"两种知识库组织方式对结果的影响。

**分块策略（chunking）**：把长文档切成一段段供AI检索的小片段；直接按固定长度硬切，会把不相关的内容拼在一起误导AI，按文档自身的章节结构切则能保住每段内容的上下文背景。

实验设了两种知识库：一种叫SimpleChunks，按固定字数粗暴切块；另一种叫SectionChunks，就是前面说的保留章节层级结构的切法。两种知识库总信息量相同，只是组织方式不一样。

知识库从粗暴切块换成结构化切块之后，各类思考模式的成绩都往上走了，可涨幅差得很远。不限定语言、让模型自由思考的那种，只多了0.08分，统计上说明不了问题；强制用英语想的涨了0.20分；强制用德语想的涨幅最大，0.29分，这个提升在统计上站得住脚。还有一层反差：知识库还是粗暴切块时，强制德语思考在三种模式里排最末；切成结构化之后，它反倒跳到了头名。

怎么解释这件事？资料本身乱成一团，就算拿母语去读也理不出头绪，语言对不对得上帮不上太多忙；资料一旦条理分明、上下文线索齐全，"用对齐的语言去读对齐的结构"才真能配合起来。打个比方，两个人本来就语言不通，给他们一份排版乱七八糟的说明书，他们还是各摸各的；换成一本图文并茂、逻辑清楚的说明书，语言相通的那一对才能高效地一起把它看明白。

德语思考追平了英语，但没反超

这项研究里还有个不太让人舒坦的结果：被强制用德语思考的AI，成绩最后跟AI默认状态打平——也就是不受任何语言限制、自己自然选英语思考的那个水平——可一直没能翻过去。

单段落问题的测试里，自由思考拿3.718分，强制德语3.701分，强制英语3.670分，三者统计上基本不分上下，谁也没甩开谁。到了更吃综合能力的复杂问题测试，强制英语（3.000分）还稍微压过强制德语（2.889分）。

这跟另一项研究（Qi等人2025年的工作）的说法对得上：光凭"提示词技巧"硬掰AI默认的思考语言，作用有限。

所谓提示词技巧（prompt hacking），指的是不动模型内部参数，只靠精心设计的指令文字去诱导或逼迫AI按某种方式干活。这篇论文的做法就是往AI思考过程开头硬塞一句德语起始语句，引着它往下用德语想。

那说明了什么？AI对英语的偏好扎得比较深，喊几句"请用德语思考"拔不掉。想让AI在德语这类非英语语言上拿到跟英语同等的推理水平，恐怕得从训练阶段动手，比如拿目标语言的数据对模型专门做二次训练（微调），临场靠指令技巧解决不了根子上的问题。好比一个人从小右手写字、写了二十年，突然让他换左手，你反复提醒"现在用左手"，写出来的字也很难马上到右手的水准，真要变就得从头做系统训练。

思考这回事，并非任何时候都有用

论文里另有一个挺反直觉的发现。按理说AI答题前多"想一想"总归是好事，可数据摆出来：585道只需查一段资料就能答的简单题上，把思考过程彻底关掉，反倒是所有配置里表现最好的，3.903分，明显高过任何开着思考的模式。

换成那30道要综合多处资料才能答的复杂题，局面整个倒过来，关掉思考成了表现最差的配置之一。

这一对比说明的道理很朴素，却容易被忽略：思考本身要付成本，不是白送的加分项。简单题的答案就在检索到的那一段材料里，AI越"多想"越容易横生枝节，把不相关的联想也搅进答案，准确性反而掉下来。复杂题得东拼西凑、前后对照才能得出结论，少了思考过程的梳理，AI很容易顾此失彼，漏掉某处关键信息的交叉验证。

落到应用上，思路可以更实际些：与其让AI系统一刀切地"永远思考"或者"永远不思考"，不如按问题难易动态决定开不开思考，比如先估一下这题大概要查几次资料，再定要不要启用思考模式。

打分的裁判自己也不见得可靠

论文里还有一段自我反思，写得挺坦诚，值得单独拎出来说。

研究者给AI答案打分，靠的不是人工一条条看，而是另找一个规模更大的AI模型当"裁判"。这种做法眼下在业界不算新鲜。

这就是LLM-as-a-Judge（AI当裁判）：让能力更强的大语言模型给另一个AI模型的输出打分，顶替大量人工评审的活。可这套方法本身靠不靠谱，一直有人在研究，也一直有人质疑。

为摸清这个AI裁判的底，研究者抽了50个答案，人工重新打一遍分，再跟AI裁判的分对照。结果是：两边完全一致的比例66%，分差在1分以内的90%，但也有10%的情况分差到了2分甚至更多。

更耐人寻味的是大分差的构成：其中四分之五的情形，是AI裁判把人类评委给了3到4分的正确答案，硬压成1分的最低分。论文举了个具体例子：题目问哪种龙在"七风之海"附近的海岸山脉筑巢，AI系统不光答对了（西风龙），还把资料原句引出来当证据，AI裁判照样给1分，人类评委给的是4分。

研究者猜，原因可能在于AI裁判被设成"答案里一旦冒出看着没依据的细节就扣到最低分"，这套机制误伤了一批内容详实、引用充分、只是表述方式让裁判看岔了的正确回答。他们还发现，答案越长，被AI裁判扣分的概率越高——这算是另一种隐蔽的偏差，裁判偏爱简短回答，而不是单纯偏爱"正确"的回答。

好在研究者核实后认为，这个裁判在区分"挨得很近的两个分数"时不太靠得住，但给不同配置排个先后还凑合。论文的核心结论（德语思考优于法语思考等）因此依然成立，原因是这些结论的分差足够大，不会被裁判的小误差盖住。

语言还会悄悄混进检索指令

最后一个发现属于意料之外的"副作用"。

研究者发现了一个情况：一旦要求AI用法语去思考，它有时会拿法语去检索德语知识库。也就是说，它输入的关键词是法语的，却要在清一色德语文档的库里去匹配。

简单问答里不会出现这种状况，那类场景压根没有“到数据库里查资料”这一步。可到了需要AI自行判断查什么、怎么查的智能检索系统，思考语言就会渗进检索动作本身，受影响的不仅是最终写出的答案。

打个比方，你让一位习惯用法语记笔记的助理去图书馆找德语材料，他填进搜索框的词也不知不觉变成了法语，搜索引擎当然对不上正确的德语文献。这个细节说明，语言对齐的渗透程度超出预想：它并非只关乎“最后答案用哪种语言”这种表面问题，还会作用于AI完成任务时每一个决策环节。这比单纯规定“只用什么语言作答”要复杂得多。

Q&A

问：这篇论文研究的核心问题是什么？

答：研究者在德语检索增强生成系统中考察：强制AI以德语思考，是否比用英语或法语思考更准确。结论是用与资料语言一致的语言来思考确有帮助，且这一优势源自语言对齐，跟语言能力本身无关。

问：测试场景为何选中《黑暗世界》这款德国桌游？

答：这个虚构世界的德语资料既丰富又细致，同时足够冷门，基本不在AI的训练数据之内。这样一来，AI想答对就只能依赖检索到的德语资料，没法靠记忆蒙混过关。

问：强制AI用德语思考，能超过它默认用英语思考的水平吗？

答：超不过。实验表明，强制德语思考至多追平AI默认（英语）思考的水平，真正的超越并未出现。这说明光靠提示词技巧，很难彻底扭转AI对英语的默认偏好；要根治，得从模型训练层面动手。