国产大模型“深度思考”时几乎使用英文思维链

寂静回声

最近发现国产大模型的思维链，用英语想问题的现象非常普遍。
大家第一反应就是蒸馏，但还有一个更现实的原因：语料。
Common Crawl这个开源语料库。它官方每个月公布抓取统计：最近几次抓取里，英文网页稳定占 40% 以上，中文只有 4.4% 左右。
另一个按全球网站内容统计的口径（W3Techs）更夸张：英文占近一半，中文只占 1.3%。
曾经Meta的Llama1公布过数据配方：67%网页+15%网页精选，剩下的是 GitHub 代码、维基百科、书籍、论文、Stack Overflow，这几个高质量语料来源，清一色是英文主导的。
中文语料量少就算了，关键是质量还堪忧。
AI生成的文章发上网，又被别的AI当语料抓走，于是文章逐渐变成泔水，我们的官媒专门发过《"数字泔水"污染加剧，怎么管？》。

14个模型，1400多个思维链样本都拉了一遍数据，发现：
1、分数越高，思维链中的英文占比就越高。
2、分时较高，但以中文思考为主的模型有多少个呢？0个。

模型在面对问题的时候会先判断难度，然后会分配一个思维链预算，难的问题走长思维链，简单的问题走短思维链，也就是深链和浅链）
可以分为三类：
第一类：英文脑原生，智谱-5.3、智谱-5.3-flash、kimi-k3。
整体英文占比 51.2%–54.3%，深链 53.8%–57.8%，浅链深链一个样。它们思维链长度和英文占比的相关性，几乎是0。说明不管是难问题还是简单的问题，都是英语思考为主。
第二类：双语脑：千问3.8-max、千问3.8-flash、千问3.8-max-0902、腾讯混元4-预览、deepseek-V4-flash、V4-pro、小米-v2.5-pro、小米-v2.5。
它们的特征是：浅链说中文，深链就换英文。思维链长度和英文占比的相关性高达 0.455–0.872，想得越深，英文越多。
尤其切换最猛的是千问系：3.8max0902版从浅链到深链，英文占比暴涨52.6%；3.8-max暴涨50.2%，3.8-flash暴涨45.4%。平时浅想的时候，浅链英文占比只有百分之几，看着就是纯中文脑；一进入万字深想，英文直接过半。
第三类：中文脑： 豆包模型-2.1-pro（0.2%），从头到尾几乎不出现英文。

373527271

中文没有语法，很多预料充满了诡辩，别说机器去学习了。
就是聪明的人去学习，在没有好老师监督的情况下，大概率
就学偏了。
最深层的原因就是汉语各种语料和知识中，虚假，夸大成分
非常高。
只要需要靠谱的事，就没法用汉语去思考。