Apple联合Hasso Plattner研究所发表论文，在9个基座模型、11种语言上完成超过200组GRPO强化学习推理训练实验。
文章作者、来源：新智元
200组实验回答一个问题：推理必须用英语吗
最近，Apple联合Hasso Plattner研究所发表论文，在9个基座模型、11种语言上做了超过200组GRPO强化学习推理训练实验。
结果显示，用中文做推理训练，与英语训练的性能差距只有1.1个百分点，此前同类研究报告的差距是10个百分点以上。
GRPO训练有一个关键设计选择：奖励模型用英语推理，还是用提问者的母语推理。
选英语，模型收到中文问题也会切到英语思考；选母语，模型全程用中文。
此前研究认为母语推理性能代价太大，非英语团队只能默认走英语推理路线。
这篇论文说，代价远没有那么大——对中文来说只有1个百分点。这直接改变了路线判断：中文推理模型有条件从训练阶段就跳过英语，走自己的路。
对中文AI从业者来说，这是推理模型能否走独立路线的前置条件。
论文同时发现，跨语言迁移广泛有效，但特定模型-语言组合会触发极端性能塌方。
此前多项研究报告的差距
此前多项研究报告，强制模型用非英语语言做推理，准确率会下降10个百分点甚至更多，「推理必须用英语」几乎成了多语言AI领域的默认共识。
Dobler等人的新论文用大规模对照实验动摇了这条共识：三个模型家族（Qwen3、Gemma 3、SmolLM3），参数规模1B到8B，11种训练语言，每种语言分别用英语推理奖励和母语推理奖励两套方案训练500步，再交叉评估。
结论的关键数字按语言拆开看更清楚。
中文训练的英语优势只有1.1个百分点，法语1.4、德语1.7、日语1.6——高资源语言（指语料丰富的语言）普遍在2个百分点以内。
差距拉大的是低资源语言：孟加拉语5.7、泰卢固语4.6、斯瓦希里语4.5个百分点。
语言本身在预训练阶段积累的资源厚度，直接决定了母语推理训练的性价比。
一种语言训练，多种语言受益
实验中另一个值得拆开看的数据结构，是跨语言迁移矩阵。
论文把11种语言分别做单语训练，再在所有14种语言上评估，形成一张11×14的性能表。
这张表里最直观的信息是：用一种语言训练GRPO，其他语言几乎都跟着涨。
西班牙语单语训练之后，法语的性能恢复了目标语言直接训练增益的96%，只差1个百分点。中文和日语之间的互相迁移同样明显，中日同属CJK语系的预训练共享可能在起作用。
一个反直觉的发现是：英语并不总是最好的迁移源。
在Qwen3-4B-Base和Qwen3-8B上，孟加拉语训练对中文的迁移效果反而最好。
论文作者推测，低资源语言的训练迫使模型更深层地重组推理能力，这种重组带来的泛化有时比高资源语言训练更强。
多语言混合训练的表现也值得关注。
Qwen3-Base系列在多语言训练下，与「为每种评估语言分别挑选最优迁移源」的理想方案相比，平均只差0.3个百分点，而只需要训练一个模型。
对于资源有限的团队，这提供了一条务实的路径：不必为每种目标语言单独跑训练。
也存在性能崩塌的情况
跨语言迁移的好消息，被一种特定的失败模式冲淡了。
论文发现，某些模型-训练语言的组合会导致其他语言或任务类型上的极端回退，而同一个模型换一种训练语言就完全没有这个问题。
最严重的案例出在Qwen3系列非Base模型上。
用斯瓦希里语或泰卢固语训练后，这些模型在含英语内容的未见任务上出现了高达19.2个百分点的性能崩塌（Qwen3-4B斯瓦希里语训练），而在训练语言本身上性能正常甚至提升。
换成英语或多语言训练，同一批任务的性能保持稳定。
困难数学任务上的回退更普遍。
Qwen3非Base系列、SmolLM3-3B在非英语单语训练后，PolyMath中高难度题目的平均分大面积下滑，部分配置跌幅超过30个百分点。
但同模型在其他任务上表现正常，回退高度集中在特定任务族。
推理奖励语言本身也能触发塌方。
gemma-3-1b-it用斯瓦希里语数据加母语推理奖励训练后，简单数学任务（MGSM和PolyMath-low）的性能比原始模型下降3.1个百分点；
但同样的数据搭配英语推理奖励，性能反而提升17.5个百分点。
差距超过20个百分点，且在同模型的孟加拉语训练中不会出现。
回退无法从模型或语言中单独预测，只有在特定组合下才会暴露。
中文之外，所有非英语生态都在问同一个问题
回到中文从业者最关心的判断——中文推理训练到底能不能用。
从这篇论文的数据看，答案接近「能用」。
中文在所有被测语言中属于差距最小的一档（1.1个百分点），Qwen3-Base全系列模型的中文推理奖励训练都能有效控制推理语言，跨语言迁移中中文既是好的接收方也是好的发送方。
这组结果在9个模型上一致，不是孤例。
但这个结论的适用范围需要明确：论文测的是8B以下的开源模型，任务是程序化生成的数学和逻辑题，单种子实验，没有做逐配置的超参调优。真实部署场景中的表现还需要单独验证。
把视野从中文放宽一步，这篇论文给出的信号对整个非英语AI生态都有意义。
过去一年，从阿拉伯语到法语到日语，各语言社区都在问同一个问题：推理训练是否必须绕道英语？
如果答案是「必须」，那非英语模型永远在英语模型的下游做适配；
如果答案是「差距可控」，非英语生态就有可能从推理训练阶段就走自己的路线。
这篇论文把「差距可控」从猜测变成了有数据支撑的判断——至少在高资源语言和中小模型上如此。
差距压缩到1–2个百分点之后，从RLVR训练阶段就用目标语言跑，就变成一个合理的工程选择，性能代价可以接受。
对中文AI来说，中文推理模型有可能从训练源头就走独立路线，跳过英语推理模型的翻译适配层。
但论文同时证明了一件事：「可控」和「安全上线」之间差的是评估覆盖度。
只看目标语言的平均分，回退藏在暗处；逐语言、逐任务、逐模型排查，才能把风险暴露在上线之前。
这200组实验最大的贡献，恰恰是证明了这种排查不可省略。