企业官网建设流程全解析

该文章核心结论为：大语言模型（LLMs）在形态 generalization 任务中虽能展现类人准确性，但性能主要由语言社区规模及训练数据量决定，而非语言语法复杂度，呈现“资源敏感但语言盲”的特征。

一、文章主要内容总结

1. 研究背景与目标
   • 背景：LLMs 的语言能力存在争议，现有研究多关注其句法和语义能力，对形态学（按规则生成词汇的语言组成部分）关注较少，且对“模型性能由语言复杂度还是训练数据量决定”存在分歧。
   • 目标：通过多语言版“Wug 测试”，对比 6 个 LLMs（如 ChatGPT - 3.5、GPT - 4 等）与人类在 4 种语言（加泰罗尼亚语、英语、希腊语、西班牙语）中的表现，探究模型准确性是否接近人类、性能受语言复杂度还是训练数据量影响。
2. 关键概念定义
   • 语言复杂度：聚焦结构复杂度，通过“融合度”（语言使用音系绑定标记的程度）和“信息量”（语言强制表达的语法区分数量）衡量，4 种语言复杂度排序为英语＜西班牙语＜加泰罗尼亚语＜希腊语。
   • 社区规模与训练数据：假设社区规模与训练数据量直接相关，4 种语言社区规模/训练数据排序为英语（约 15 亿使用者）＞西班牙语（约 4.88 亿）＞希腊语（约 1200 万）＞加泰罗尼亚语（约 800 万）。
3. 研究方法
   • 实验设计：采用修改版 Wug 测试，每种语言设计 30 个测试项，要求生成人造词的复数形式，确保刺激材