ReCoVeR目标语言：在不牺牲任务性能的前提下实现语言引导
计算与语言
2025-09-19 v1
摘要
随着大语言模型（LLMs）变得越来越多语言，它们表现出更多的语言混淆，即倾向于生成与提示语言或用户明确要求的回答语言不同的语言。在这项工作中，我们提出了ReCoVeR（REducing language COnfusion in VEctor Representations），一种基于语言特定引导向量的减少语言混淆的新型轻量级方法。我们首先借助多平行语料库分离语言向量，然后有效地利用这些向量通过固定的（即无监督的）以及可训练的引导函数实现有效的LLM引导。我们广泛的评估涵盖了三个基准和18种语言，结果表明ReCoVeR在单语和跨语言设置中都能有效缓解语言混淆，同时——与先前的语言引导方法不同——保留了任务性能。我们的数据代码可在https://github.com/hSterz/recover获取。
引用
@article{arxiv.2509.14814,
title = {ReCoVeR the Target Language: Language Steering without Sacrificing Task Performance},
author = {Hannah Sterz and Fabian David Schmidt and Goran Glavaš and Ivan Vulić},
journal= {arXiv preprint arXiv:2509.14814},
year = {2025}
}