arXiv · cs.CL· Klaudia-Doris Thellmann·· 1 天前AI 评分20
DeepL 翻译版 MMLU 与原生基准：翻译评测测的是语言、知识还是本地性？
Gold vs.~Translation: Are We Measuring Language, Knowledge, or Locality in Translated Benchmarks?
来源与原文
arXiv · cs.CL
作者：Klaudia-Doris Thellmann
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.38788v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
一项研究将 DeepL 翻译的 MMLU 与五种北欧和波罗的海语言的六个原生基准在七组配对中对比，评估了 29 个模型，检验翻译基准的代理有效性。代理有效性在不同配对间差异明显：七个配对中四个效应稳健、两个边缘、一个不显著。当源内容与原生评测目标重叠（如 Skolprov，ΔR²=.128）时翻译基准代理更好，而瑞典本地事实知识（SwedishFacts，p=.242）无法被可靠捕捉。
来源：arXiv · cs.CL · arxiv.org