NAVER AI实验室发现：让AI数学家"同时说多国语言"的秘密武器

这项由韩国NAVER AI实验室完成的研究以预印本形式发布于2026年8月6日的arXiv平台，论文编号为arXiv:2608.05802，题为《On-Policy Delta Distillation for Multilingual Math Reasoning》。对该领域感兴趣的读者可通过上述编号查阅完整原文。

如果你曾经用中文问过一个AI助手一道数学题，却发现它用英语回答你，那你大概能感受到这项研究试图解决的核心痛点。人工智能在做数学题这件事上越来越厉害，但它"说人话"——尤其是说非英语的人话——依然是一个被严重忽视的问题。NAVER AI实验室的研究者们把目光投向了韩语和日语这两种东亚语言，试图搞清楚一个关键问题：有没有办法让AI在数学推理能力变强的同时，也能用你提问时用的语言来回答你？

这个问题看起来简单，背后却牵扯着AI训练领域一场正在发生的技术变革。

一、AI学数学，靠的是什么"老师"？

在理解这项研究的核心之前，我们得先弄清楚AI是怎么"学会"做数学的，或者说，它是怎么从一个只会复读机式背诵的工具，进化成能真正推理解题的助手的。

传统上，AI学做数学靠的是一种叫做"强化学习"的方法。可以把它理解成这样一个场景：老师给学生出了一道题，学生写完整个解答过程后，老师只看最终答案，然后说"对"或者"错"，给出一个总评分。这种方式虽然有效，但有一个显而易见的缺陷——学生做了很多步骤，老师只评价了最后一步，中间到底哪里做对了、哪里做错了，完全不知道。这种"一锤子买卖"式的反馈，导致训练效率低下，AI需要做大量的题才能有明显进步。

于是，研究者们开始探索一种更精细的替代方案，叫做"在策略蒸馏"，英文缩写是OPD（On-Policy Distillation）。这个名字听起来很复杂，但背后的逻辑其实相当直观。换一个场景来理解：一位经验丰富的数学老师（我们叫他"师傅"）和一位正在学习中的学生坐在一起。学生先自己做一道题，写下整个解题过程。然后，师傅对着学生写的每一步逐字审阅，在每个关键节点上给出反馈："这一步你选了这个词，我会选那个词，因为……"这种逐词逐句的细致指导，显然比最后只给一个总分要有效得多。

在OPD框架下，AI学生自己先生成一段解答，然后把这段解答送给"师傅模型"（一个更强大、已经经过充分训练的AI），师傅会对学生生成的每一个词打一个分数——这个词是否符合师傅自己的偏好。学生模型则根据这些逐词的分数来调整自己的行为，让自己未来的输出越来越接近师傅的水平。这种机制的精妙之处在于，它提供的是"词元级别"（token-level）的监督信号，远比强化学习那种"序列级别"（sequence-level）的笼统评分精细得多。

二、从"模仿师傅"到"学习师傅的成长"

OPD已经很好用了，但研究团队在这个基础上进了一步，提出了一个名为OPD?（On-Policy Delta Distillation，在策略增量蒸馏）的改进版本。这个改进的关键，在于一个颇具哲学意味的转变：与其让学生去模仿师傅现在的样子，不如让学生去学习师傅究竟"成长了什么"。

具体来说，任何一个强大的AI师傅，在成为"师傅"之前，都经历过两个阶段：第一阶段是大规模的基础训练，产生一个"基础模型"，这个基础模型已经掌握了大量语言知识，但还不太会深度推理；第二阶段是专项的"后训练"，通过强化学习等手段，让基础模型蜕变成擅长数学推理的师傅模型。OPD?的核心思路是：把师傅模型在每个词上的打分，减去基础模型在同一个词上的打分，得到一个"差值"——这个差值代表的就是后训练阶段为师傅带来的纯粹的推理能力增量。

用一个更生动的类比来说：假设你想学烹饪，你可以模仿一位大厨做的整道菜（普通OPD的思路），也可以专门学习大厨在成为大厨之前和成为大厨之后，他的做法究竟发生了哪些具体变化——哪些步骤是新加的、哪些手法是精进的（OPD?的思路）。后者让你学到的，是更纯粹、更精华的"功夫进阶秘诀"，而不会被大厨一直以来的个人习惯和风格所干扰。

这个"差值信号"被研究者称为"delta信号"，它的目的是过滤掉师傅模型中那些来自基础训练阶段就已存在的、与推理能力无关的语言偏好和风格倾向，只保留后训练过程中真正习得的推理能力精华。此前，OPD?在英语的数学、科学和编程推理任务上已经证明了自己比普通OPD更胜一筹。而这项研究要解答的，是同样的优势能否延伸到韩语和日语这样的非英语世界。

三、实验室里的"多语言数学考场"

为了回答这个问题，研究团队搭建了一个颇具规模的实验环境。他们构建了一个包含十万道数学题的训练数据集，英语、韩语和日语各占三分之一，彼此之间没有重叠题目。韩语和日语题目从NVIDIA发布的一个多语言数学数据集中抽取，英语题目则来自另一个专门的英语数学数据集。除了这套混合语言数据集，他们还单独准备了一套纯英语的十万道题，用于后续的对比实验。

学生模型选用了Qwen3家族中的两个版本：参数量较小的Qwen3-1.7B和参数量较大的Qwen3-8B——这两个数字大体上可以理解为模型的"脑容量"大小。师傅模型则是更强大的Qwen3-30B-A3B-2507。所有模型都在"思考模式"（thinking mode，类似于让AI在回答前先列出推理过程）和"非思考模式"（non-thinking mode，直接给出答案）两种状态下分别训练和评测。

评测所用的基准测试覆盖多个维度：PolyMath是一个专门评测多语言数学推理的基准；Global-MGSM是另一个多语言数学测试；HRM8K则是包含GSM8K、MATH、Omni、KSM、M-MMLU五个子集的韩语为主的综合测试；日语方面还额外使用了MAWPS基准。

四、韩语和日语的"成绩单"

实验结果相当清晰。先看非思考模式下的核心数据——研究者用PolyMath和Global-MGSM两个基准的平均分来呈现整体趋势。

对于较小的Qwen3-1.7B模型，基础版本（未经任何OPD训练）在英语上的平均分是55.1，在韩语上是40.9，在日语上是37.2。经过普通OPD训练后，这三个数字分别提升到61.5、48.8和48.0。而经过OPD?训练后，进一步提升到63.6、51.9和52.0。这意味着OPD?在韩语上比普通OPD高出3.1分，在日语上高出4.0分，在英语上高出2.1分——非英语语言的进步幅度反而更大。

对于较大的Qwen3-8B模型，同样的规律继续成立。基础版本的英语、韩语、日语平均分分别是62.8、57.0和57.1。OPD训练后变为69.8、61.1和61.9。OPD?训练后达到70.5、64.4和65.0。OPD?相对OPD在韩语和日语上分别多出3.3分和3.1分，在英语上只多出0.7分。

从完整的基准测试数据来看，OPD?在Qwen3-1.7B上将非思考模式下英语平均分从47.6拉升到65.7，韩语从37.4拉升到56.5，日语从55.5拉升到65.4。在思考模式下，由于基础模型本身已有相当强的推理能力，提升幅度相对较小，但OPD?依然将英语平均分从70.4提升到73.4，韩语从63.7提升到68.2，日语从68.5提升到71.2，而普通OPD的对应成绩分别是71.4、66.2和70.5——OPD?的优势依然稳定存在。

对于更大的Qwen3-8B，非思考模式下OPD?将英语平均分从58.7提升到75.3，韩语从55.4提升到72.2，日语从70.2提升到75.2。在思考模式下，普通OPD出现了一个耐人寻味的现象：它的英语平均分从80.9反而下降到79.9，韩语从78.0下降到75.7——也就是说，对于本身已经很强的模型，普通OPD的训练信号反而可能帮倒忙。OPD?则没有这个问题，它将英语推至83.2，韩语推至80.4，日语推至78.9，全面超越基础模型。

五、英语和韩语之间的"成绩差距"能缩小吗？

研究者还专门观察了一个现实中颇为突出的现象：AI在处理英语数学题时，普遍比处理韩语数学题表现更好，这种系统性的差距究竟有多大，又能通过OPD训练缩小多少？

以Qwen3-1.7B在思考模式下的数据为例，基础模型在各个基准上的英韩差距触目惊心：PolyMath上差6.4分，Global-MGSM上差13.4分，HRM8K的GSM8K子集上差12.1分。经过普通OPD训练后，这些差距有所收窄：PolyMath降到4.4分，Global-MGSM降到8.6分，KSM子集上的差距从3.3分大幅缩小到仅0.4分。但OPD的效果并不稳定，M-MMLU子集上的差距反而从1.1分扩大到了4.6分。

OPD?的表现更为一致。它将PolyMath上的差距压缩到5.0分，Global-MGSM上压缩到9.3分，HRM8K-GSM8K差距从12.1分降至9.2分。MATH、Omni、KSM三个子集的差距也全部收窄，而M-MMLU上的差距保持在1.1分不变。归根结底，在七个报告的基准中，OPD?在六个上缩小了英韩差距，在剩余一个上维持了现状——没有一个出现恶化。这说明多语言联合训练往往对韩语推理能力的提升幅度更大，因此在不损害英语表现的前提下，实际上拉近了两种语言之间的能力鸿沟。

六、"只学英语"能走多远？

整个研究中最出乎意料的发现，来自一组对比实验：如果把多语言训练数据换成纯英语数据，韩语和日语的表现会发生什么？

答案令人惊讶：纯英语训练的OPD?，居然也能大幅提升韩语和日语的数学推理成绩。在非思考模式下，英语专训的OPD?将韩语平均分从37.4提升到59.3，将日语平均分从55.5提升到66.5。这两个数字不仅远高于基础模型，甚至在有些情况下还略高于多语言训练版本（多语言OPD?的对应成绩分别是56.5和65.4）。在思考模式下，英语专训OPD?将韩语平均分提升到65.1，日语提升到69.9，多语言训练版本则达到68.2和71.2——多语言版本整体略优，但英语专训版本依然相当接近。

这个发现在直觉上有些违反常识：明明没有看过任何韩语或日语训练题，AI的韩语和日语数学能力怎么还提升了？研究者认为，这背后的逻辑是：数学推理本身是一种语言无关的抽象能力，当AI通过英语题目练就了更强的逻辑推理能力之后，这种能力在面对非英语输入时也能被调用，产生迁移效应。

然而，这里藏着一个关键的陷阱。

七、测试分高不等于"说对语言"

仅仅看测试分数，会产生一种虚假的乐观。研究团队做了一项补充调查：当AI用韩语或日语被提问时，它究竟用什么语言来回答？

结果揭示了纯英语训练的真实代价。在非思考模式下，多语言训练的OPD?，给出韩语回答的比例高达90.5%，给出日语回答的比例高达90.9%——也就是说，九成以上的时间里，模型能用提问语言来作答。而英语专训的OPD?，这两个数字分别骤降到48.3%和29.6%——超过一半的韩语问题和超过七成的日语问题，模型选择用英语来回答，尽管题目是韩语或日语写的。

思考模式下（只统计最终答案部分，不含中间推理过程，因为思考过程本来就主要用英语），多语言OPD?的韩语目标语言回答率是97.6%，日语是95.2%。英语专训OPD?则分别跌到36.1%和30.8%。

普通OPD的情况也值得单独关注。在思考模式下，英语专训的普通OPD，韩语目标语言率是83.1%，看起来还不错；但日语仅有36.9%。多语言训练的普通OPD，韩语是72.9%，日语是70.1%——多语言训练同样改善了语言保持能力，但幅度不如OPD?明显。非思考模式下，多语言普通OPD的韩语目标语言率达到99.7%，日语达到99.8%，几乎完美；英语专训普通OPD的韩语是83.6%，日语是40.5%。

这组数据清晰地揭示了一个重要区分：数学推理能力可以跨语言迁移，但"用对语言回答"这件事，是需要专门训练的。一个AI可以"读懂"韩语题并在内心用英语把它做出来，然后用英语把答案说出来——这在基准测试上可能得分不错，但对于真实用户来说，这是一种令人沮丧的体验。多语言训练数据的存在，是保证模型不仅"能做"而且"会用对语言做"的关键。

归根结底，这项研究的发现可以用一句话来概括：OPD?是一种比普通OPD更有效、更稳定的AI数学训练方式，它在韩语和日语上的提升幅度甚至超过英语；英语数据训练出的推理能力确实能跨语言传播，但如果你真正在意AI能不能用你的语言跟你交流，多语言的训练数据就不是可有可无的选项，而是不可或缺的基础。这对未来开发面向多语言用户群体的AI系统，是一个务实且重要的参考信号。

想深入了解技术细节的读者，可通过arXiv编号2608.05802查阅NAVER AI实验室的完整论文，研究使用的OPD?代码也已开源。

Q&A

Q1：OPD?和普通OPD有什么区别？

A：普通OPD让AI学生去模仿师傅模型的输出分布，而OPD?改为利用"师傅模型"和"师傅的基础版本"之间的概率差值作为训练信号，专门提取师傅在后训练阶段习得的推理能力精华，过滤掉基础语言偏好的干扰。实验结果显示这个简单修改带来了稳定且显著的性能提升。

Q2：只用英语数据训练AI，为什么韩语和日语数学成绩也会变好？

A：数学推理是一种抽象逻辑能力，和具体语言有一定程度的解耦。AI通过英语题目强化了推理能力后，这种能力在面对其他语言的数学题时也能被调用，产生跨语言迁移效应。但这种迁移只影响"做题能力"，不影响模型用哪种语言回答，所以英语专训的AI经常用英语回答韩语或日语问题。

Q3：多语言OPD训练会不会损害英语的数学推理能力？

A：根据实验结果，不会。多语言OPD?在英语基准上的表现与纯英语训练的OPD?相当甚至更好，同时还显著提升了韩语和日语的推理能力，并有效保持了模型用目标语言回答的能力。总体来看是一种各方面损耗都很小的联合提升方案。