Yapay zekanın aslında bir "dil duvarı" olmayabilir: yalnızca bir dil üzerinde eğitilse bile diğer diller de güçlenir.

动察 Beating tarafından yapılan izlemeye göre, Apple araştırma ekibi 9 model ve 11 dil üzerinde bir takviyeli öğrenme deneyi gerçekleştirdi ve şunu anlamaya çalıştı: Eğitim verileri yalnızca tek bir dildeyse, modelin öğrendiği problem çözme yeteneği diğer dillerdeki sorulara uygulanabilir mi?

Cevap evet ve etki oldukça belirgin. Yalnızca tek bir dilde eğitim alan model, diğer birçok dilde de birlikte güçleniyor.

Örneğin Fransızca testinde, doğrudan Fransızca ile eğitim alındığında puanlar ortalama 25,6 puan artarken; Fransızca hiç kullanılmadan yalnızca İspanyolca sorularla eğitim alındığında, Fransızca sınavında 24,6 puanlık bir artış sağlanıyor; bu sadece 1 puanlık bir fark.

Model yalnızca belirli bir dildeki soruları değil, aynı zamanda dil değiştirilerek kullanılabilecek bazı çözüm yöntemlerini de öğreniyor. Bu nedenle gelecekte modelin Çince akıl yürütme becerisini güçlendirmek istiyorsanız, tüm takviyeli öğrenme verilerini yeniden Çince yapmak zorunda değilsiniz.

Ancak eğitim dili rastgele değiştirilemez; belirli diller gerçekten belirli yeteneklerde gerilemeyi tetikleyebilir. Aynı takviyeli öğrenme süreci, farklı bir eğitim diliyle uygulandığında bazı modeller diğer dillerde ve görevlerde belirgin şekilde gerileyebilir. En çarpıcı deney grubunda, Qwen3-4B Svahili diliyle eğitildikten sonra, eğitim sırasında görülmeyen bir İngilizce testinde orijinal modele kıyasla 19,2 puan düşüş yaşadı; çok dilli birlikte eğitimde ise bu test 4,5 puan arttı.

Bu makale esas olarak matematik, mantık, grafik, geometri gibi cevapları otomatik olarak doğru/yanlış değerlendirilebilen akıl yürütme sorularını doğruluyor. Bu sorular dil değiştirildiğinde altta yatan çözüm yöntemleri genellikle değişmiyor. Okuduğunu anlama, metafor, anlamsal yargı, kültürel bilgi gibi gerçekten dile bağımlı görevler için makale bir doğrulama yapmamıştır.