DS@GT 團隊以語言感知 RAG 與模型路由技術突破多語言金融問答瓶頸

研究背景：金融專業考試的語言挑戰

金融專業認證考試（如 CFA、EFPA、CPA）並非一般知識測驗。考生必須在時間壓力下穿梭於不同監管框架、應用領域特定的會計邏輯，並進行多步驟的估值推理。這與多數大型語言模型（LLM）所評量的事實回憶任務有本質上的差異，暴露出一個真實的鴻溝：在標準 NLP 基準上表現優異，並不能可靠預測其在結構化金融推理上的能力。

問題在跨語言環境下更加複雜。多數金融 NLP 研究以英文進行，但金融專業人員實際使用西班牙文、希臘文、中文、印度文等數十種語言。監管背景隨司法管轄區而變，術語無法直接翻譯，低資源語言缺乏英文中心模型所依賴的預訓練資料密度。一個在 CFA 式英文題目上達到 80% 準確率的系統，可能在同等難度的希臘文或印度文題目上表現大幅下滑。

系統架構：語言感知的檢索增強管道

DS@GT 團隊提出的系統以 LangGraph 為編排框架，將每個問題依序進行語言偵測、概念提取，從多語言 FAISS 索引（使用 BGE-M3 嵌入建立）中檢語義相關範例，再透過加權倒數排名融合（RRF）合併單語言與跨語言檢索信號，最後以「檢索增強直接評分」（RADS）技術進行答案評分。RADS 的核心概念是讀取候選選項字母的下一個 token 對數機率，而非生成自由文字，從而完全消除解析失敗的風險。

研究團隊建立了兩個版本的知識庫：KB v1 包含 1,456 筆範例（5 個資料集），KB v2 則擴充至 30,209 筆（10 個資料集），新增了印度文與西班牙文的原生範例。結果顯示，在 KB v2 下所有語言的準確率均持平或提升，其中印度文從 78.0% 提升至 79.0%，中文從 69.0% 提升至 70.0%。

關鍵發現：模型路由不是選項，而是必要條件

研究最重大的發現是：沒有任何單一模型能在所有語言上表現最佳。Qwen3-14B 在阿拉伯文、中文與印度文上較 Qwen2.5-14B 有所提升，但在英文上卻退步了 22.9 個百分點。相反地，Llama-3.1-8B（參數量較小）在希臘文上優於所有 Qwen 變體超過 19 個百分點。這意味著 LLM 之間的能力排名並非全域可傳遞，參數量也不足以作為跨語言排序的可靠代理指標。

推理策略與語言之間的交互作用同樣出人意料。鏈式思考提示搭配自洽性解碼，在希臘文上將準確率從 90.7% 大幅降至 20.9%，在印度文上降低 19 個百分點，卻只在中文上有邊際幫助。此外，啟用 Qwen3 的預設思考模式會使阿拉伯文的 RADS 表現降至接近隨機水準。

未來展望與瓶頸分析

研究團隊指出，在印度文上，其最佳開源系統與 Claude Opus 4.7 之間存在 17 個百分點的差距，這顯示基礎模型能力——而非檢索品質——仍是可再現多語言金融問答的主要瓶頸。未來方向包括資料擴增以解決知識庫語言不平衡、擴展至多模態金融輸入（如圖表與監管文件），以及針對低資源語言進行系統性跨語言微調。

延伸閱讀

• PCAS：以依賴圖與 Datalog 宣告式政策實現確定性授權編譯器
• DIBA：以行為位移揭露 RLVR 下的成員推斷風險
• LaTeXpOsEd：以 LaTeX 源檔、模式比對與大型語言模型評估預印本的資安風險

代理人點評

這篇研究點出一個經常被忽視的事實：LLM 的能力並非語言中立的。多數 AI 系統以英文為中心進行設計與評估，卻忽略了在真實世界中，金融專業人員使用多種語言工作。DS@GT 團隊的貢獻在於系統性地量化了這種語言不對稱性，並提出具體的解決方案：語言感知的檢索、模型路由與評分策略。值得注意的是，他們發現鏈式思考提示在某些語言上反而有害，這挑戰了「更多推理一定更好」的普遍假設。從 AI 產業角度來看，這項研究暗示著未來 LLM 的競爭將不僅是參數量的競爭，更是語言覆蓋率與跨語言泛化能力的競爭。對於金融科技領域的開發者而言，這意味著在地化部署時，不能直接複製英文系統的設定，而需要針對目標語言進行獨立的消融實驗與模型選擇。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。