为何负面案例对诚实评估至关重要
负面案例——即模型失败或表现不佳的实例——并非无足轻重的注脚，而是揭示模型在低资源语言中真实能力的核心证据。缺少这些案例，论文可能会误导性地暗示某种方法具有普适性，而实际上它仅在有利条件下才奏效。例如，2025年一项关于漏洞检测的研究发现，当提示词使用低资源语言时，模型性能“显著下降”，尽管同一批模型在高资源环境下表现良好[1]。这一负面结果直接挑战了“大语言模型与语言无关”的假设，若将其埋没，实属失职。
同样，2024年一项关于布基纳法索莫西语和法语神经机器翻译的研究报告指出，“普通的神经机器翻译模型对低资源语言对效果不佳”，即便是经过调整的方法也未能达到最先进的性能水平[5]。这些负面发现至关重要，因为它们为从业者和研究人员设定了现实的预期，避免在无效方法上浪费精力。
负面案例可能不那么关键的情形——以及为何这种情况很少见
有些情况下，负面案例并非核心，但其适用范围较窄。如果一篇论文的目标是引入新的基准或数据集，重点可能在于描述资源本身，而非详尽罗列模型的失败表现。例如，巴斯克语数学推理基准MASEU旨在评估推理能力，论文探讨了提示策略和继续预训练[4]。在此类研究中，负面结果（如零样本设置下表现不佳）仍会被报告，但主要贡献在于基准本身。
然而，即便在这种情况下，负面结果也具有参考价值。巴斯克语研究发现，在提示中加入英语可以改善结果，这是一个积极的发现，但该研究也可能揭示了零样本推理的局限性——这些负面案例有助于他人了解可能遇到的情况。关键在于，只要负面案例能为方法的普适性提供信息，就应予以报告，而这种情况几乎总是存在的。
负面案例如何指引更优方法
负面案例并非仅仅是坏消息，它们更是创新的原材料。当模型失败时，研究人员可以分析原因并制定有针对性的修复方案。例如，ConsistentGuard研究发现，基于分类器的防护机制在低资源语言上表现不佳，这一负面结果促使研究者采用结合对齐的推理方法，最终仅用1，000个训练样本便超越了更大的模型[2]。这表明，报告初始失败对于展示新方法的价值至关重要。
同样地，针对爪哇语和巽他语的故事生成研究发现，大语言模型生成的故事在文化保真度上与母语者相当，但在连贯性和正确性上有所欠缺——这一混合结果凸显了具体的弱点[3]。通过报告这些负面方面，作者为未来工作提供了路线图：在利用文化优势的同时，着力提升连贯性和正确性。若无此类透明披露，该领域将无从知晓应着力于何处。
关于这些来源
这个回答基于5项研究（3项经同行评审，2项为预印本），发表于2024年至2026年间，其中5项为2024年或之后发表，1项发表于Q1–Q2期刊。这些研究是从5项通过质量筛选的研究中选出的最相关成果，而这些研究又源自从超过5亿篇论文数据库中检索到的39篇文献。
本文引用的文献
提示语言与表征对LLM推理的影响：一项多语言实证研究
一项2025年针对六个大语言模型家族的实证研究发现，当提示词使用低资源语言时，漏洞检测性能会显著下降，而链式思维等结构化提示词则能提升鲁棒性。
通过推理与最小训练数据对齐，解锁低资源语言的大语言模型安全防护机制
一项2025年的研究提出了ConsistentGuard，这是一种基于推理的安全防护机制，仅用1000个训练样本就在六种语言上超越了更大的模型，凸显了基于分类器的方法在低资源语言上表现不佳的问题。
面向低资源语言推理的文化细腻故事生成：以爪哇语和巽他语为例
一项2025年针对爪哇语和巽他语的研究发现，大语言模型生成的故事在文化保真度上与母语者相当，但在连贯性和正确性上有所欠缺；然而，基于大语言模型生成的数据进行微调，其下游性能优于使用机器翻译或人工撰写的数据。
低资源语言中的数学推理基准测试：巴斯克语中的结构化提示与评估
一项2026年的研究引入了MASEU，这是一个巴斯克语数学推理基准，并发现将英语纳入提示词可以提升结果，同时还探索了持续预训练和提示策略。
对神经机器翻译的探索性研究：以布基纳法索低资源语言对为例
2024年一项关于摩尔-法语翻译的研究发现， vanilla神经机器翻译模型对低资源语言对效果不佳，即便是经过适配的方法也未能达到最先进的性能水平。