《量化多语言大型语言模型中的语言差异》核心总结与关键部分翻译一、文章主要内容总结该研究聚焦多语言大型语言模型（MLLMs）评估中存在的碎片化、混淆变量干扰等问题，提出了一套可解释的测量框架，以精准量化模型间与语言间的性能差异，尤其关注低资源语言的公平评估。1. 研究背景与问题数据不平衡与偏差：全球7000多种语言中，数字数据集对语言的代表性极不均衡，导致MLLMs存在内在偏差（影响模型内部表征）和适配偏差（影响下游任务性能）。现有评估局限：现有多语言评估结果碎片化，仅覆盖少数语言；分数受语言选择、训练与评估设置等多变量干扰，难以跨语言/数据集/指标比较；结论多为“语言性能不均衡”的定性判断，缺乏差异 magnitude 量化；易低估或高估低资源语言性能，阻碍语言公平性推进。2. 核心框架设计（两步法）（1）估计性能潜力（Performance Potential, PP）基于测量理论与线性混合效应模型，分离语言、任务、模型的独立影响，定义某语言-任务对在当前NLP水平下的期望得分，公式为：PPℓ,t:=E^m[sℓ,t,m]=μ+αℓ+βtPP_{