你读英语的时候，母语没闲着。它躲在眼球后面。
这篇的做法比标题朴素得多，也狠得多：55 个 GPT-2，全部从零训练。11 个母语组合，每个组合里英语分四个时点加入训练——0 步、16k、32k、48k。用"先学母语、后学英语"的顺序，造出一群不同出身的双语模型。然后拿 MECO 多语言眼动语料对号入座：德语出身的模型预测德国读者读英语的用时，就是比土耳其语出身的准。
最抓人的细节在第一眼上。首固视时长这个最早期的指标，母语匹配的模型反而略输（ΔLL 1.07 对 1.33）；优势要到总阅读时间才拉开，6.53 对 4.00，显著率 77.3% 对 64.3%。母语干扰住在晚区——词汇整合那一段。第一眼是看不出来的。中文、俄语这类非拉丁字母的读者，效应还要再晚一拍才出现，作者拿 BIA+ 那套解释：共享文字系统的 L1 早早被共激活，不同文字的得等音系和语义接上来。
还有条倒 U 曲线，我觉得是全文最实用的发现。中级熟练度（LexTALE 65–80%）的读者，母语匹配模型的优势最大；熟练度超过 90%，优势归零。新手来不及受干扰，学霸读得已经跟母语者没差。母语味最重的，是卡在中间的那批人——二语课堂里坐得最不安稳的，恰好也是他们。
一个容易被略过的注脚：这 55 个模型两两之间的 surprisal 相关全在 0.94 以上，所以优势只能来自引入顺序和迁移本身，跟"模型会哪门语言"关系不大。模型先学哪门语言，决定它像谁。这句对中式英语持有者，多少有点扎心。反正我是先认了。