論文の概要: x1: Learning to Think Adaptively Across Languages and Cultures

• arxiv url: http://arxiv.org/abs/2604.16917v1
• Date: Sat, 18 Apr 2026 08:50:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.235484
• Title: x1: Learning to Think Adaptively Across Languages and Cultures
• Title（参考訳）: x1: 言語や文化を適応的に考えることを学ぶ
• Abstract要約: 我々はx1を紹介した。x1は、インスタンス毎に有利な言語で適応的に推論できる推論モデルである。 本実験は,多言語数学的推論と文化的基礎的課題にまたがる適応的多言語推論の利点を実証する。 本研究は,言語選択を推論の機能的構成要素として確立し,より汎用的でグローバルな推論モデルの構築に寄与する。
• 参考スコア（独自算出の注目度）: 44.61124344089541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Languages encode distinct abstractions and inductive priors, yet most large language models (LLMs) overlook this diversity by reasoning in a single dominant language. In this work, we introduce x1, a family of reasoning models that can adaptively reason in an advantageous language on a per-instance basis. To isolate the effect of reasoning-language choice, x1 is constructed without expanding the model's knowledge boundaries and is trained by contrasting linguistically distinct reasoning trajectories for the same input. Our extensive experiments demonstrate the benefits of adaptive multilingual reasoning across multilingual mathematical reasoning and culturally grounded tasks. Moreover, our results challenge a simplistic view of scaling laws: while scaling reduces cross-lingual disparities in procedural domains such as math reasoning, it does not eliminate the advantages of culture-associated languages in culturally grounded tasks, as we empirically show that such reasoning enables more efficient and accurate cultural knowledge recall. Overall, our findings establish language choice as a functional component of reasoning, with implications for building more generalist and globally competent reasoning models.
• Abstract（参考訳）: 言語は、異なる抽象化と帰納的事前をエンコードするが、ほとんどの大きな言語モデル(LLM)は、単一の支配的な言語を推論することで、この多様性を見落としている。 本研究では,各インスタンスごとに有利な言語を適応的に推論できる推論モデルであるx1を紹介する。 推論言語選択の効果を分離するために、x1はモデルの知識境界を広げることなく構築され、同じ入力に対して言語的に異なる推論軌跡を対比することにより訓練される。 本研究は,多言語数学的推論と文化的基礎的課題にまたがる適応的多言語推論の利点を実証する。 さらに, スケーリング法則は, 数理推論などの手続き領域における言語間格差を低減させるが, 文化的根拠のあるタスクにおいて, 文化関連言語の利点を排除しない。 本研究は,言語選択を推論の機能的構成要素として確立し,より汎用的でグローバルな推論モデルの構築に寄与する。

関連論文リスト

• Building Multilingual Bridges: Data Mixing as the Pillar of Generalization for In-Language Reasoning [75.46846056993418]
  推論言語モデルは、それらが引き起こされる言語に関係なく、主に英語で理にかなっている。 これは、英語を話さないユーザにとってアクセス不能であり、元の質問の意図を失うリスクがあり、ターゲット言語でより容易に表現される知識を忘れてしまう。 本研究では,L2推論を推進し,ユーザのプロンプトの言語でモデルが一貫した推論を行えるようにし,プロンプトと応答の間に言語内ブリッジを構築する。
  論文  参考訳（メタデータ） (2026-09-09T16:56:25Z)
• LANG: Reinforcement Learning for Multilingual Reasoning with Language-Adaptive Hint Guidance [77.58408743830314]
  強化学習は大規模言語モデルにおける多段階推論の強化に有効であることが証明されている。 しかし、その利点は多言語文脈に完全には翻訳されていない。 我々は、言語条件付きヒントを利用して、英語以外の推論タスクの探索をガイドする新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-05-21T14:47:52Z)
• What Makes Good Multilingual Reasoning? Disentangling Reasoning Traces with Measurable Features [32.31269959716733]
  この研究は、多言語設定における効果的な推論を実際に特徴付けるものについて尋ねる。 まず、多言語アライメント、推論ステップ、推論トレースの推論フロー側面にまたがる測定可能な推論機能群を定義した。 次に、多言語トレース上でスパースオートエンコーダをトレーニングし、これらの機能をインスタンス化または拡張する潜在推論概念を自動的に検出する。
  論文  参考訳（メタデータ） (2026-04-06T14:40:50Z)
• Align to the Pivot: Dual Alignment with Self-Feedback for Multilingual Math Reasoning [71.4175109189942]
  Pivot-Aligned Self-Feedback Multilingual Reasoning (PASMR)を提案する。 このアプローチは、モデルの第一言語をピボット言語として指定する。 外部の正しい回答や報酬モデルに頼ることなく、言語横断的な自己フィードバック機構を確立する。
  論文  参考訳（メタデータ） (2026-01-25T03:20:00Z)
• Language Matters: How Do Multilingual Input and Reasoning Paths Affect Large Reasoning Models? [59.970391602080205]
  多言語トレーニングにも拘わらず、LRMはテスト時に高リソース言語での推論をデフォルトとする傾向にある。 文化的推論は、推論タスクのパフォーマンスを低下させるが、文化的なタスクに恩恵を与える一方、安全性評価は言語固有の振る舞いを示す。
  論文  参考訳（メタデータ） (2025-05-23T02:46:18Z)
• When Less Language is More: Language-Reasoning Disentanglement Makes LLMs Better Multilingual Reasoners [111.50503126693444]
  言語固有のアブレーションは多言語推論性能を継続的に向上させることを示す。 トレーニング後のアブレーションと比較して、トレーニング不要のアブレーションは、計算オーバーヘッドを最小限に抑えながら、同等または優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-05-21T08:35:05Z)
• Language Specific Knowledge: Do Models Know Better in X than in English? [9.923619418000488]
  コードスイッチングは、異なる言語間で同じ発話、思考、会話を交互に行う一般的な現象である。 我々はこの現象を表すために言語特化知識(LSK)という用語を作った。 英語以外の言語でチェーン・オブ・シークレット・推論を用いることで,言語モデルの性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-21T00:31:13Z)
• On the Thinking-Language Modeling Gap in Large Language Models [68.83670974539108]
  言語と思考のモデリングには大きなギャップがあることが示される。 本稿では,このギャップを実証し緩和するために,Language-of-Thoughts (LoT) と呼ばれる新しいプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2025-05-19T09:31:52Z)
• Crosslingual Reasoning through Test-Time Scaling [51.55526326294275]
  英語中心の推論言語モデル(RLM)に対する推論計算のスケールアップは、多くの言語における多言語数学的推論を改善する。 英語中心の RLM の CoT は自然に英語が主流であるが、引用された非英語入力を推論するための引用と思考のパターンは一貫して従っている。 我々は、ドメイン外推論の一般化、特にSTEMから文化常識の知識まで、英語においても、貧弱なドメイン外推論の一般化を観察する。
  論文  参考訳（メタデータ） (2025-05-08T16:50:06Z)
• Large Language Models Are Cross-Lingual Knowledge-Free Reasoners [43.99097308487008]
  我々は,タスクの推論過程を,知識検索と知識のない推論という2つの分離された構成要素に分解する。 知識のない推論能力は,様々なソース・ターゲット言語方向にほぼ完全に移行可能であることを示す。 知識のない推論は、異なる言語で類似したニューロンを推論するために共有し、知識は異なる言語に別々に格納する、という仮説を立てる。
  論文  参考訳（メタデータ） (2024-06-24T14:03:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。