行动比语言更诚实:238万次Agent实验揭示的多语言真相

论文链接:arXiv:2608.11110 代码:github.com/souro/agent-actions-speak-louder-than-words 作者:Sourabrata Mukherjee, Kalika Bali, Sunayana Sitaram(Microsoft Research India)

目录
  1. 一个让 Agent 工程师睡不着觉的问题
  2. 238 万次滚动的规模
  3. 五个混淆因子:为什么朴素测量会骗你
  4. 陷阱一:短 trace 看起来更一致
  5. 陷阱二:空 trace 完美一致
  6. 陷阱三:随机 trace 也有 50%+ 一致
  7. 陷阱四:模型自身的可重复性是天花板
  8. 陷阱五:同语言同问题都不一致
  9. 每个修正都让效应变大,不是变小
  10. 核心发现
  11. 发现一:跨语言差异是结构性的,不是采样噪声
  12. 发现二:71-73% 的策略保留率
  13. 发现三:模型身份只解释 5.7% 的方差
  14. 发现四:低于 10B 参数,规律性崩溃
  15. 发现五:Agent 通过英文"中转"处理非英文任务
  16. 发现六:一个 trace 提取正则制造了假阳性
  17. 为什么这篇论文重要
  18. 1. 把"行动策略"作为一等公民来测量
  19. 2. 揭示了"英文中转"的因果性
  20. 3. "颗粒度同构"原理的再验证
  21. 4. "评测盲区定律"再添一例
  22. 对工程实践的启示
  23. 如果你在做多语言 Agent 系统
  24. 如果你在做 Agent 评测
  25. 诚实的局限
  26. 一句话总结
论文链接:arXiv:2608.11110
代码:github.com/souro/agent-actions-speak-louder-than-words
作者:Sourabrata Mukherjee, Kalika Bali, Sunayana Sitaram(Microsoft Research India)

一个让 Agent 工程师睡不着觉的问题

你给一个工具调用 Agent 派了一个任务:"帮我查一下明天北京的天气,然后订一个 19 点的餐厅。"

用英文问,它调了三个 API:天气查询、餐厅搜索、预订。完美。

用印地语问同样的任务。它调了什么?

这个问题直到这篇论文之前,没有人真正回答过。

现有的多语言评测做了两件事:一是比较模型在不同语言上的最终答案对不对(比如 MGSM, xCopA),二是比较多语言链式思维(CoT)的文本质量。但 Agent 的核心不是"说什么",是"做什么"——调用什么工具、按什么顺序调用、参数填对没有。

最终答案对,不代表中间步骤对。 你问"北京明天天气",它可能先调了翻译 API 把印地语翻成英文,再查天气,再翻回去。答案对了,但多了一步翻译,多了一个失败点。

这篇论文把"行动策略"(action policy)本身作为测量对象,做了一件规模空前的事。


238 万次滚动的规模

数字本身就在说话:

  • 8 个模型:从 GPT-OSS-120B 到 Qwen2.5-7B
  • 6 个并行基准:涵盖工具调用、API 操作、多步推理
  • 41 种语言:从高资源(中文、西班牙语)到极低资源(卢旺达语、泰卢固语)
  • 238 万次 Agent 滚动(rollouts)
这不是跑几个 benchmark 就写论文的规模。这是工业级实验。


五个混淆因子:为什么朴素测量会骗你

论文最精彩的部分是揭示"朴素测量"的五个陷阱。如果你直接比较英文和印地语的 trace 相似度,你会得到一个看起来合理但完全错误的结论。

陷阱一:短 trace 看起来更一致

一个只调了 1 个 API 的 trace,和另一个只调了 1 个 API 的 trace,大概率是一样的——因为没什么可不一样的。短 trace 会人为抬高"一致性"分数。

陷阱二:空 trace 完美一致

如果模型在某种语言上完全失败,什么工具都没调,那两个空 trace 的相似度是 100%。失败被误判为"完美一致"。

陷阱三:随机 trace 也有 50%+ 一致

两个完全不相关的 trace,只要都调了几个常见 API(比如搜索、翻译),字面上就已经重合了一大半。随机基线比你想象的高得多。

陷阱四:模型自身的可重复性是天花板

同一个模型、同一个任务、同一种语言、同一个 prompt,跑两次,trace 都不会完全一样。这是模型自身的"噪声地板"。跨语言差异如果不超过这个地板,就什么都没说明。

陷阱五:同语言同问题都不一致

最狠的一刀。模型用英文回答同一个问题两次,trace 都不一样。那你拿英文 trace 和印地语 trace 比,差异里有多少是"语言不同"造成的,有多少是"模型本来就不稳定"造成的?


每个修正都让效应变大,不是变小

这是论文最反直觉的发现。

通常,当你去掉混淆因子时,效应会缩小——因为一部分表观效应是混淆造成的假象。但在这篇论文里,五个修正每加一个,跨语言差异就变大一点。

为什么?因为混淆因子都在"掩盖"差异:

  • 短 trace 的一致性掩盖了长 trace 的差异
  • 空 trace 的一致性掩盖了失败模式的差异
  • 随机基线的一致性掩盖了真实差异
  • 模型噪声掩盖了系统性差异
去掉这些"假阳性一致"后,真正的跨语言差异才浮出水面。


核心发现

发现一:跨语言差异是结构性的,不是采样噪声

在贪婪解码(temperature=0)下,跨语言差异在所有 24 个测试单元中都为正。贪婪解码没有采样随机性,所以差异只能来自模型本身——它是结构性的。

发现二:71-73% 的策略保留率

四个前沿模型(包括 GPT-OSS-120B、Claude、Gemini)在英文基准上的行动策略,跨语言保留率约 71-73%。听起来不低,但意味着每 4 个行动就有 1 个不一样。

发现三:模型身份只解释 5.7% 的方差

8 个模型之间的差异远小于语言之间的差异。换句话说,"用哪个模型"的影响远小于"用哪种语言"。

发现四:低于 10B 参数,规律性崩溃

模型规模低于 10B 后,跨语言保留率急剧下降,而且不再有规律。小模型在多语言 Agent 任务上的表现不是"差一点",是"完全不可预测"。

发现五:Agent 通过英文"中转"处理非英文任务

最深刻的发现。Agent 在处理非英文任务时,内部会先把任务"翻译"成英文,用英文推理,再把结果翻译回去。这个"英文中转"(English pivot)是因果性的——不是相关性,是负载性的(causally load-bearing)。

证据:直接指令让模型"不要用英文推理",遵守率低于 1%。模型做不到——它必须通过英文中转才能完成非英文的 Agent 任务。

发现六:一个 trace 提取正则制造了假阳性

GPT-OSS-120B 看起来在多语言上失败了,但实际上是评测代码里的一个正则表达式 bug 导致的——模型本身没问题,是测量工具错了。

这个发现单独成段,因为它揭示了一个更深层的问题:你以为在测模型,其实在测你的正则表达式。 评测管道里的每一个正则、每一个解析器、每一个 prompt 模板,都可能成为"测量制造出的失败"。


为什么这篇论文重要

1. 把"行动策略"作为一等公民来测量

之前的 Agent 评测看的是"任务成功率"。这篇论文看的是"行动策略的跨语言一致性"。前者是结果,后者是过程。

过程比结果更重要。两个模型可能都成功了,但一个走了 3 步,另一个走了 7 步。在真实部署中,多 4 步意味着多 4 个失败点、多 4 倍延迟、多 4 倍成本。

2. 揭示了"英文中转"的因果性

之前有研究发现模型内部存在"潜在英文表示"(Wendler et al. 2024, Zhao et al. 2024),但那是表示层面的相关性。这篇论文在行动层面做了因果测试:直接禁止模型用英文推理,它就做不到了。

这意味着:多语言 Agent 的瓶颈不是"能不能理解非英文",而是"能不能不通过英文思考"。 目前看来,答案是不能。

3. "颗粒度同构"原理的再验证

之前在 Heddle 和 CodeRescue 中观察到的原理:优化颗粒度应该和被优化对象的颗粒度一致。 Agent 的行为颗粒度是"行动轨迹",不是"最终答案"。这篇论文把测量颗粒度对齐到了行动轨迹,因此能看到最终答案看不到的东西。

4. "评测盲区定律"再添一例

五个混淆因子每一个都是"评测盲区":你以为在测跨语言差异,实际在测 trace 长度、空 trace、随机基线、模型噪声、解析 bug。不修正这些盲区,你的结论就是错的,而且错的方向是"低估问题"。


对工程实践的启示

如果你在做多语言 Agent 系统

1. 不要只测最终答案。加一个"行动策略一致性"指标,用本文的修正方法。你会发现你的系统比想象中差。 2. 英文中转是现实。短期内不要指望模型"原生"处理非英文。接受这个事实,在系统设计上做英文中转的显式管理——把翻译步骤显式化、可控化、可监控。 3. 10B 以下不要做多语言 Agent。规律性崩溃,不可预测。

如果你在做 Agent 评测

1. 检查你的正则表达式。GPT-OSS-120B 的"多语言失败"是正则 bug 制造的。你的评测管道里有多少个正则?每一个都可能是假阳性的来源。 2. 报告五个混淆因子的修正。不修正的"跨语言一致性"数字没有意义。 3. 报告贪婪解码下的结果。采样随机性会掩盖结构性差异。


诚实的局限

论文没有讨论几个问题:

1. 只测了工具调用 Agent:其他类型的 Agent(对话式、规划式)是否同样存在英文中转,未知。 2. 41 种语言的覆盖:虽然很多,但仍然有偏——非洲语言、原住民语言覆盖不足。 3. "英文中转"的机制:论文证明了因果性,但没有给出如何打破它。这是一个开放问题。 4. 成本:238 万次滚动是工业级规模。学术团队难以复现。


一句话总结

当你用不同语言和 Agent 对话时,它表面上在用那种语言思考,实际上在偷偷翻译成英文、用英文推理、再翻译回去。238 万次实验证明:这个"英文中转"不是习惯,是因果必需——直接禁止它,模型就做不到了。


论文:Actions Speak Louder than Words: Measuring Cross-Lingual Policy Retention in Tool-Using Agents
代码:github.com/souro/agent-actions-speak-louder-than-words
作者:Sourabrata Mukherjee, Kalika Bali, Sunayana Sitaram
机构:Microsoft Research India
发布日期:2026-08-11
👍 1

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

小

这篇我逐条对了个遍:8 项可核查的事实,7 项和论文严丝合缝。2.38M rollouts、71–73% 保留率(论文特别叮嘱引用必须注明贪婪解码)、放弃英文中转的遵守率 under 1%,连 v1 的 8 月 11 日都对得上。步子哥的帖子里,这篇水分最少。

论文里最锋利的一刀,原话比转述狠:"The model is not broken; the parser is." GPT-OSS-120B 被 76.4% 的解析失败冤枉成多语言废柴,评测里加两个带答案的示例,测量精度涨 26 倍——模型真正的输出一个字没动。26 倍,全来自一个正则表达式。论文还反问:Which of the two numbers was ever measuring capability? 这题我抄下来了。

有个数字我盯着看了半天:输入是天城文,思维链 99% ASCII。模型在用你听不见的语言打腹稿。

反转在最后一页。论文脚注承诺代码和 2.38M 条轨迹全部放出,aka.ms 短链现在 301 跳到 github.com/Microsoft 的组织首页。第一作者的 GitHub 确实叫 souro,用户名没写错,仓库还没影。那句"代码已开源",目前是张期货。

👍 1
合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens