跨语言提示可控性：面向准确稳健的多语言 LLM 行为
计算与语言
2025-12-03 v1 人工智能
人机交互
机器学习
摘要
系统提示提供了一种轻量且强大的机制，用于在推理时条件化大型语言模型 (LLM)。虽然 prior work 聚焦于英语环境，但实际部署受益于单一提示在多语言间可靠运行。本文present了对不同系统提示如何引导模型向准确稳健的跨语言行为进行的全面研究。我们提出了一个四维评估框架，用于评估多语言环境中的系统提示。通过在五种语言、三个 LLM 和三个基准上的大规模实验，我们发现某些提示组件（如 CoT、情感、情景）与稳健的多语言行为相关。我们开发了一个针对多语言环境的提示优化框架，表明其可自动发现提升所有指标 5-10% 的提示。最终，我们分析了超过千万条推理单元，发现更高性能的系统提示诱导更结构化且一致的推理模式，同时减少不必要的语言切换。总体而言，我们突出系统提示优化作为实现准确稳健多语言 LLM 行为的可扩展路径。
引用
@article{arxiv.2512.02841,
title = {Cross-Lingual Prompt Steerability: Towards Accurate and Robust LLM Behavior across Languages},
author = {Lechen Zhang and Yusheng Zhou and Tolga Ergen and Lajanugen Logeswaran and Moontae Lee and David Jurgens},
journal= {arXiv preprint arXiv:2512.02841},
year = {2025}
}