這項(xiàng)由Cohere Labs公司的Ammar Khairi領(lǐng)導(dǎo)的研究團(tuán)隊(duì)在2025年6月發(fā)表的論文《When Life Gives You Samples: The Benefits of Scaling up Inference Compute for Multilingual LLMs》，為我們揭示了人工智能如何在不重新訓(xùn)練的情況下，通過(guò)巧妙的推理策略顯著提升多語(yǔ)言表達(dá)能力。有興趣深入了解的讀者可以通過(guò)arXiv:2506.20544v1訪問(wèn)完整論文。

研究團(tuán)隊(duì)包括來(lái)自Cohere Labs的Ammar Khairi、Daniel D'souza、Julia Kreutzer和Sara Hooker，以及來(lái)自Cohere公司的Ye Shen。這個(gè)多元化的團(tuán)隊(duì)專注于解決一個(gè)讓普通人都能感同身受的問(wèn)題：當(dāng)你用不同語(yǔ)言與AI對(duì)話時(shí)，為什么有時(shí)候AI的回答質(zhì)量會(huì)有很大差異？

目前的AI語(yǔ)言模型在處理英語(yǔ)時(shí)表現(xiàn)優(yōu)異，但在處理其他語(yǔ)言時(shí)往往力不從心。這就像一個(gè)學(xué)霸學(xué)生，英語(yǔ)考試總是滿分，但遇到中文、日語(yǔ)或法語(yǔ)考試時(shí)就顯得捉襟見(jiàn)肘。更讓人困擾的是，傳統(tǒng)的解決方案通常需要重新訓(xùn)練整個(gè)AI模型，這個(gè)過(guò)程既耗時(shí)又昂貴，就像要讓學(xué)生提高外語(yǔ)成績(jī)，就必須重新上一遍所有的課程。

研究團(tuán)隊(duì)提出了一個(gè)革命性的解決方案：不需要重新訓(xùn)練模型，而是通過(guò)改進(jìn)AI的"思考過(guò)程"來(lái)提升表現(xiàn)。他們的方法可以比作讓學(xué)生在考試時(shí)有更多時(shí)間思考，并且能夠從多個(gè)角度審視問(wèn)題，最終選出最佳答案。這種方法被稱為"推理時(shí)計(jì)算擴(kuò)展"，簡(jiǎn)單來(lái)說(shuō)就是讓AI在回答問(wèn)題時(shí)能夠生成多個(gè)候選答案，然后從中挑選最優(yōu)的一個(gè)。

一、破解多語(yǔ)言AI的"思考密碼"

研究團(tuán)隊(duì)首先深入分析了AI在不同語(yǔ)言環(huán)境下的表現(xiàn)差異。他們發(fā)現(xiàn)，當(dāng)AI使用英語(yǔ)回答問(wèn)題時(shí)，就像在自己的母語(yǔ)環(huán)境中自如表達(dá)，但切換到其他語(yǔ)言時(shí)，AI的表現(xiàn)就會(huì)出現(xiàn)明顯波動(dòng)。這種現(xiàn)象可以用一個(gè)生動(dòng)的比喻來(lái)理解：假設(shè)你是一個(gè)精通多種樂(lè)器的音樂(lè)家，雖然你會(huì)彈鋼琴、小提琴和吉他，但鋼琴是你最擅長(zhǎng)的，所以在鋼琴演奏中你能發(fā)揮最佳水平，而在其他樂(lè)器上可能會(huì)偶爾出現(xiàn)瑕疵。

為了解決這個(gè)問(wèn)題，研究團(tuán)隊(duì)采用了"多重采樣"的策略。具體來(lái)說(shuō)，他們讓AI針對(duì)同一個(gè)問(wèn)題生成五個(gè)不同的答案，然后通過(guò)精心設(shè)計(jì)的選擇機(jī)制挑選出最佳回答。這個(gè)過(guò)程就像一個(gè)經(jīng)驗(yàn)豐富的廚師在準(zhǔn)備重要晚宴時(shí)，會(huì)先制作幾道不同口味的試菜，然后品嘗比較，最終選出最令人滿意的那道菜呈現(xiàn)給客人。

研究團(tuán)隊(duì)測(cè)試了7種不同的語(yǔ)言：英語(yǔ)、中文、法語(yǔ)、德語(yǔ)、日語(yǔ)、俄語(yǔ)和西班牙語(yǔ)。他們發(fā)現(xiàn)，傳統(tǒng)的"提高溫度"采樣方法在非英語(yǔ)語(yǔ)言中存在更高的風(fēng)險(xiǎn)。這里的"溫度"是一個(gè)技術(shù)術(shù)語(yǔ)，可以理解為AI生成答案時(shí)的"創(chuàng)造性程度"。溫度越高，AI的回答越具有創(chuàng)造性，但同時(shí)也越不穩(wěn)定。這就像烹飪時(shí)調(diào)節(jié)火候：適當(dāng)?shù)母邷啬茏屖澄锔愀袑哟?，但火候過(guò)高就可能把菜燒焦。研究團(tuán)隊(duì)發(fā)現(xiàn)，對(duì)于非英語(yǔ)語(yǔ)言，AI在"高溫"狀態(tài)下更容易產(chǎn)生質(zhì)量較差的回答。

為了應(yīng)對(duì)這個(gè)挑戰(zhàn)，研究團(tuán)隊(duì)開(kāi)發(fā)了"對(duì)沖采樣"策略。這種方法的核心思想是在生成的多個(gè)候選答案中，故意包含一個(gè)最保險(xiǎn)的答案——即AI在最穩(wěn)定狀態(tài)下生成的回答。這樣做的好處是，即使其他幾個(gè)"創(chuàng)造性"答案質(zhì)量不佳，至少還有一個(gè)可靠的備選方案。這就像登山者在挑戰(zhàn)高難度路線時(shí)，總是會(huì)在背包里準(zhǔn)備一條安全繩，確保在關(guān)鍵時(shí)刻有退路可選。

實(shí)驗(yàn)結(jié)果顯示，這種對(duì)沖采樣策略在多語(yǔ)言環(huán)境下表現(xiàn)出色。以中文為例，使用傳統(tǒng)方法時(shí)，AI的回答質(zhì)量提升有限，但采用對(duì)沖采樣后，回答質(zhì)量平均提升了8.2個(gè)百分點(diǎn)。更令人印象深刻的是，這種方法在所有測(cè)試語(yǔ)言中都展現(xiàn)出了穩(wěn)定的改進(jìn)效果，證明了其廣泛的適用性。

二、精準(zhǔn)選擇：從五個(gè)答案中找到最佳回應(yīng)

有了多個(gè)候選答案后，如何從中選出最優(yōu)的那個(gè)就成了關(guān)鍵問(wèn)題。研究團(tuán)隊(duì)比較了多種選擇策略，最終開(kāi)發(fā)出兩種特別適合多語(yǔ)言環(huán)境的新方法。

第一種方法被稱為"清單式一站選擇"（CHOPS）。這種方法的工作原理可以用質(zhì)量檢驗(yàn)員的工作來(lái)類(lèi)比。當(dāng)一個(gè)經(jīng)驗(yàn)豐富的質(zhì)量檢驗(yàn)員面對(duì)多個(gè)產(chǎn)品樣本時(shí)，他不會(huì)簡(jiǎn)單地隨意挑選，而是會(huì)根據(jù)具體產(chǎn)品類(lèi)型制定一份詳細(xì)的檢查清單，然后逐一對(duì)照清單評(píng)估每個(gè)樣本，最終選出質(zhì)量最優(yōu)的那個(gè)。CHOPS方法讓AI扮演這樣一個(gè)質(zhì)量檢驗(yàn)員的角色：首先根據(jù)問(wèn)題的具體類(lèi)型生成一份評(píng)估清單，然后同時(shí)評(píng)估所有候選答案，最終在一次評(píng)估過(guò)程中直接選出最佳答案。

這種方法的優(yōu)勢(shì)在于效率高且結(jié)果可靠。傳統(tǒng)的選擇方法需要對(duì)候選答案進(jìn)行兩兩比較，就像舉辦錦標(biāo)賽，需要多輪對(duì)決才能決出冠軍。而CHOPS方法則像是讓專業(yè)評(píng)委直接給所有選手打分，一次性決出優(yōu)勝者。實(shí)驗(yàn)數(shù)據(jù)顯示，CHOPS方法在開(kāi)放性問(wèn)題上的表現(xiàn)尤其出色，平均能夠?qū)I的回答質(zhì)量提升11-12.8個(gè)百分點(diǎn)。

第二種方法被稱為"跨語(yǔ)言最小貝葉斯風(fēng)險(xiǎn)"（X-MBR）。這種方法的創(chuàng)新之處在于利用了AI的多語(yǔ)言能力，通過(guò)跨語(yǔ)言驗(yàn)證來(lái)提高選擇的準(zhǔn)確性。具體來(lái)說(shuō)，當(dāng)AI需要用中文回答問(wèn)題時(shí)，X-MBR方法會(huì)讓AI同時(shí)生成一些英語(yǔ)回答作為參考，然后通過(guò)比較不同語(yǔ)言版本的回答來(lái)判斷哪個(gè)中文答案最可靠。

這個(gè)過(guò)程可以用翻譯驗(yàn)證的例子來(lái)理解：假設(shè)你正在學(xué)習(xí)法語(yǔ)，寫(xiě)了一篇法語(yǔ)作文，但不確定質(zhì)量如何。一個(gè)聰明的做法是把這篇作文翻譯成你熟悉的中文，看看意思是否通順合理。如果中文版本讀起來(lái)很流暢，那么原法語(yǔ)版本很可能也是高質(zhì)量的。X-MBR方法運(yùn)用的正是這種跨語(yǔ)言驗(yàn)證的智慧。

實(shí)驗(yàn)結(jié)果表明，X-MBR方法在語(yǔ)言差異較大的場(chǎng)景中表現(xiàn)尤其突出。例如，當(dāng)處理日語(yǔ)問(wèn)題時(shí)，通過(guò)英語(yǔ)參考答案的輔助驗(yàn)證，AI選擇的日語(yǔ)回答質(zhì)量顯著提升。這種方法的另一個(gè)優(yōu)勢(shì)是能夠利用AI在強(qiáng)勢(shì)語(yǔ)言（如英語(yǔ)）上的優(yōu)秀表現(xiàn)來(lái)幫助改善弱勢(shì)語(yǔ)言的輸出質(zhì)量。

研究團(tuán)隊(duì)還測(cè)試了這兩種方法在真實(shí)應(yīng)用場(chǎng)景中的表現(xiàn)。他們讓改進(jìn)后的8B參數(shù)AI模型與谷歌的Gemini 2.0 Flash進(jìn)行比較。Gemini 2.0 Flash是一個(gè)規(guī)模更大、性能更強(qiáng)的商業(yè)AI模型。令人驚喜的是，使用新方法的小型AI模型在多語(yǔ)言任務(wù)上的表現(xiàn)顯著提升，平均勝率提高了6.8個(gè)百分點(diǎn)。這個(gè)結(jié)果特別有意義，因?yàn)樗C明了通過(guò)巧妙的策略設(shè)計(jì)，較小的AI模型也能在特定任務(wù)上挑戰(zhàn)大型商業(yè)模型。

三、實(shí)戰(zhàn)驗(yàn)證：從理論到現(xiàn)實(shí)應(yīng)用的完美轉(zhuǎn)換

為了驗(yàn)證這些方法在實(shí)際應(yīng)用中的效果，研究團(tuán)隊(duì)設(shè)計(jì)了三類(lèi)不同的測(cè)試場(chǎng)景，每一類(lèi)都代表了AI在日常使用中會(huì)遇到的典型情況。

第一類(lèi)測(cè)試專注于開(kāi)放性問(wèn)題回答，使用了m-ArenaHard數(shù)據(jù)集。這類(lèi)問(wèn)題就像日常生活中我們向AI咨詢的各種復(fù)雜問(wèn)題，比如"如何規(guī)劃一次完美的歐洲旅行"或"怎樣在工作中保持創(chuàng)造力"。這些問(wèn)題沒(méi)有標(biāo)準(zhǔn)答案，需要AI展現(xiàn)出深度思考和創(chuàng)造性表達(dá)能力。在這類(lèi)測(cè)試中，研究團(tuán)隊(duì)發(fā)現(xiàn)，改進(jìn)后的AI在處理非英語(yǔ)問(wèn)題時(shí)表現(xiàn)出了顯著提升。以Aya Expanse 8B模型為例，使用新方法后，其多語(yǔ)言回答的勝率提升了17.3個(gè)百分點(diǎn)，這意味著AI給出令人滿意答案的概率大幅增加。

第二類(lèi)測(cè)試關(guān)注數(shù)學(xué)推理能力，使用了MGSM數(shù)據(jù)集。這類(lèi)測(cè)試可以比作給AI出數(shù)學(xué)應(yīng)用題，但題目是用不同語(yǔ)言描述的。例如，同樣是計(jì)算"小明買(mǎi)蘋(píng)果"的問(wèn)題，會(huì)分別用中文、日語(yǔ)、法語(yǔ)等不同語(yǔ)言表述。這類(lèi)測(cè)試特別能反映AI的邏輯推理能力是否會(huì)受到語(yǔ)言切換的影響。實(shí)驗(yàn)結(jié)果顯示，新方法能夠顯著提高AI在非英語(yǔ)數(shù)學(xué)問(wèn)題上的準(zhǔn)確率，平均提升了7.9個(gè)百分點(diǎn)。這個(gè)改進(jìn)特別重要，因?yàn)閿?shù)學(xué)推理是許多實(shí)際應(yīng)用的基礎(chǔ)，從簡(jiǎn)單的計(jì)算到復(fù)雜的數(shù)據(jù)分析都會(huì)用到這種能力。

第三類(lèi)測(cè)試評(píng)估了機(jī)器翻譯質(zhì)量，使用了WMT24++數(shù)據(jù)集。這個(gè)測(cè)試環(huán)節(jié)就像讓AI擔(dān)任專業(yè)翻譯，將英語(yǔ)內(nèi)容準(zhǔn)確翻譯成其他語(yǔ)言。雖然這看起來(lái)是一個(gè)相對(duì)簡(jiǎn)單的任務(wù)，但實(shí)際上對(duì)AI的語(yǔ)言理解和表達(dá)能力要求很高。好的翻譯不僅要準(zhǔn)確傳達(dá)原文意思，還要符合目標(biāo)語(yǔ)言的表達(dá)習(xí)慣。實(shí)驗(yàn)顯示，新方法在翻譯質(zhì)量上也有顯著提升，XComet評(píng)分平均提高了0.72分。雖然這個(gè)數(shù)字看起來(lái)不大，但在翻譯質(zhì)量評(píng)估中，這已經(jīng)是一個(gè)相當(dāng)顯著的改進(jìn)。

特別值得一提的是，研究團(tuán)隊(duì)還進(jìn)行了"自我改進(jìn)"實(shí)驗(yàn)。他們使用Command A（一個(gè)擁有1110億參數(shù)的大型AI模型）來(lái)同時(shí)承擔(dān)生成答案和選擇最佳答案的雙重角色。這就像讓一個(gè)學(xué)生既要寫(xiě)作文，又要當(dāng)自己的老師評(píng)改作文。通常這種做法會(huì)被認(rèn)為不夠客觀，但實(shí)驗(yàn)結(jié)果令人驚喜：即使在這種"自己評(píng)判自己"的情況下，新方法仍然能夠帶來(lái)平均9.0個(gè)百分點(diǎn)的性能提升。這個(gè)結(jié)果證明了方法的穩(wěn)健性，也說(shuō)明即使是性能已經(jīng)很強(qiáng)的大型AI模型，仍然可以通過(guò)更好的推理策略獲得進(jìn)一步改進(jìn)。

研究團(tuán)隊(duì)還特別關(guān)注了方法的計(jì)算效率。雖然生成多個(gè)候選答案會(huì)增加計(jì)算成本，但相比重新訓(xùn)練整個(gè)AI模型，這種代價(jià)是完全可以接受的。CHOPS方法特別注重效率優(yōu)化，能夠在一次計(jì)算過(guò)程中完成所有候選答案的評(píng)估，大大減少了計(jì)算時(shí)間。這使得新方法不僅在實(shí)驗(yàn)室環(huán)境中有效，在實(shí)際部署時(shí)也具有很強(qiáng)的可行性。

四、突破性成果：重新定義AI多語(yǔ)言能力的邊界

這項(xiàng)研究最令人印象深刻的成果是證明了一個(gè)看似簡(jiǎn)單但實(shí)際上深刻的觀點(diǎn)：AI的智能提升不一定需要通過(guò)增加模型大小或重新訓(xùn)練來(lái)實(shí)現(xiàn)，而可以通過(guò)更聰明的使用方式來(lái)獲得。這就像發(fā)現(xiàn)了一個(gè)高效的學(xué)習(xí)方法，不需要延長(zhǎng)學(xué)習(xí)時(shí)間，只需要改變學(xué)習(xí)策略，就能顯著提高學(xué)習(xí)效果。

從數(shù)據(jù)角度來(lái)看，研究結(jié)果令人振奮。在最具挑戰(zhàn)性的開(kāi)放性問(wèn)題測(cè)試中，8B參數(shù)的Aya Expanse模型使用新方法后，其表現(xiàn)足以挑戰(zhàn)規(guī)模更大的商業(yè)AI模型。具體來(lái)說(shuō)，當(dāng)與谷歌Gemini 2.0 Flash進(jìn)行比較時(shí)，改進(jìn)后的小型模型在多語(yǔ)言任務(wù)上的勝率大幅提升。這個(gè)結(jié)果具有重要的實(shí)際意義：它表明普通用戶和小公司也有可能使用相對(duì)較小的AI模型獲得接近大型商業(yè)模型的性能，大大降低了AI應(yīng)用的門(mén)檻。

研究團(tuán)隊(duì)還發(fā)現(xiàn)了一個(gè)有趣的現(xiàn)象：不同語(yǔ)言對(duì)于"創(chuàng)造性"參數(shù)的敏感性存在顯著差異。英語(yǔ)作為AI模型的強(qiáng)勢(shì)語(yǔ)言，在各種參數(shù)設(shè)置下都能保持相對(duì)穩(wěn)定的性能。但對(duì)于其他語(yǔ)言，特別是日語(yǔ)和俄語(yǔ)，AI的表現(xiàn)會(huì)隨著參數(shù)變化出現(xiàn)較大波動(dòng)。這個(gè)發(fā)現(xiàn)為未來(lái)的AI優(yōu)化工作提供了重要指導(dǎo)：針對(duì)不同語(yǔ)言需要采用不同的策略，而不能簡(jiǎn)單地使用統(tǒng)一的方法。

更進(jìn)一步，研究團(tuán)隊(duì)提出了"多語(yǔ)言AI檸檬水配方"這一形象化的方法總結(jié)。這個(gè)配方包含兩個(gè)關(guān)鍵步驟：首先使用對(duì)沖采樣策略生成多個(gè)候選答案，確保在追求創(chuàng)造性的同時(shí)保持穩(wěn)定性；然后使用CHOPS或X-MBR方法從候選答案中選擇最優(yōu)結(jié)果。這個(gè)配方的美妙之處在于其普適性：無(wú)論是處理哪種語(yǔ)言或哪類(lèi)問(wèn)題，都可以應(yīng)用相同的基本原理，只需要根據(jù)具體情況進(jìn)行微調(diào)。

研究還揭示了跨語(yǔ)言學(xué)習(xí)的巨大潛力。X-MBR方法的成功表明，AI可以通過(guò)不同語(yǔ)言之間的相互驗(yàn)證來(lái)提高整體性能。這就像一個(gè)精通多種語(yǔ)言的人，可以通過(guò)在不同語(yǔ)言之間切換思考來(lái)更好地理解復(fù)雜概念。這種跨語(yǔ)言的"智慧借鑒"為未來(lái)的AI發(fā)展開(kāi)辟了新的方向。

從技術(shù)發(fā)展的角度來(lái)看，這項(xiàng)研究代表了AI領(lǐng)域的一個(gè)重要轉(zhuǎn)向：從單純追求模型規(guī)模的擴(kuò)大，轉(zhuǎn)向追求使用策略的優(yōu)化。這種轉(zhuǎn)向具有深遠(yuǎn)的意義，它意味著AI技術(shù)的進(jìn)步不再完全依賴于計(jì)算資源的增加，而可以通過(guò)算法創(chuàng)新來(lái)實(shí)現(xiàn)。這為資源有限的研究團(tuán)隊(duì)和應(yīng)用開(kāi)發(fā)者提供了新的可能性。

此外，研究成果對(duì)于促進(jìn)語(yǔ)言多樣性的保護(hù)和發(fā)展也具有積極意義。通過(guò)提高AI在非英語(yǔ)語(yǔ)言上的表現(xiàn)，這項(xiàng)研究有助于縮小不同語(yǔ)言之間的數(shù)字鴻溝，讓更多語(yǔ)言的使用者能夠享受到高質(zhì)量的AI服務(wù)。這對(duì)于維護(hù)語(yǔ)言文化的多樣性，促進(jìn)全球范圍內(nèi)的平等信息獲取具有重要價(jià)值。

說(shuō)到底，這項(xiàng)研究為我們展示了AI技術(shù)發(fā)展的一個(gè)新方向：不是簡(jiǎn)單地讓AI"變得更大"，而是讓AI"變得更聰明"。通過(guò)巧妙的策略設(shè)計(jì)，我們可以讓現(xiàn)有的AI模型發(fā)揮出超越其原始設(shè)計(jì)的能力。這種思路不僅在技術(shù)上具有創(chuàng)新性，在資源利用上也更加高效和可持續(xù)。

對(duì)于普通用戶而言，這項(xiàng)研究意味著未來(lái)我們將能夠享受到更好的多語(yǔ)言AI服務(wù)。無(wú)論你使用哪種語(yǔ)言與AI交流，都能獲得更準(zhǔn)確、更有用的回答。這種改進(jìn)將讓AI真正成為一個(gè)"多語(yǔ)言助手"，而不是一個(gè)"主要說(shuō)英語(yǔ)的助手"。

研究團(tuán)隊(duì)在論文最后展望了這項(xiàng)技術(shù)的未來(lái)發(fā)展前景。他們認(rèn)為，隨著方法的進(jìn)一步完善和應(yīng)用場(chǎng)景的擴(kuò)展，這種推理時(shí)計(jì)算擴(kuò)展的方法將在更多領(lǐng)域發(fā)揮重要作用。從自動(dòng)客服到教育輔導(dǎo)，從內(nèi)容創(chuàng)作到科學(xué)研究，改進(jìn)后的多語(yǔ)言AI將為各行各業(yè)帶來(lái)新的可能性。

最重要的是，這項(xiàng)研究證明了一個(gè)樂(lè)觀的觀點(diǎn)：技術(shù)進(jìn)步不一定需要昂貴的代價(jià)。通過(guò)聰明的方法設(shè)計(jì)，我們可以用更少的資源獲得更好的結(jié)果。這種理念不僅適用于AI技術(shù)的發(fā)展，也為其他領(lǐng)域的創(chuàng)新提供了有益的啟示。

Q&A

Q1：什么是"推理時(shí)計(jì)算擴(kuò)展"？它是如何工作的？ A：推理時(shí)計(jì)算擴(kuò)展就像讓AI在回答問(wèn)題時(shí)多想幾遍，然后選出最好的答案。具體來(lái)說(shuō)，AI會(huì)針對(duì)同一個(gè)問(wèn)題生成多個(gè)不同的回答（比如5個(gè)），然后通過(guò)特殊的評(píng)估方法從中選出質(zhì)量最高的那個(gè)。這樣做不需要重新訓(xùn)練AI，只是改變了它的"思考方式"。

Q2：這種方法會(huì)不會(huì)讓AI回答問(wèn)題的速度變慢很多？ A：雖然需要生成多個(gè)答案會(huì)增加一些計(jì)算時(shí)間，但研究團(tuán)隊(duì)特別開(kāi)發(fā)了高效的選擇方法（如CHOPS），能夠快速完成評(píng)估。而且相比重新訓(xùn)練整個(gè)AI模型需要的巨大時(shí)間和資源成本，這種方法的代價(jià)是完全可以接受的，在實(shí)際應(yīng)用中是可行的。

Q3：普通用戶能否使用這種改進(jìn)方法？它對(duì)哪些應(yīng)用場(chǎng)景最有幫助？ A：這項(xiàng)技術(shù)主要面向AI開(kāi)發(fā)者和服務(wù)提供商，普通用戶會(huì)通過(guò)使用改進(jìn)后的AI產(chǎn)品間接受益。這種方法對(duì)需要高質(zhì)量多語(yǔ)言交流的場(chǎng)景特別有效，比如跨國(guó)客服、多語(yǔ)言內(nèi)容創(chuàng)作、國(guó)際教育輔導(dǎo)等。未來(lái)我們使用AI助手時(shí)，無(wú)論用哪種語(yǔ)言提問(wèn)，都能獲得更準(zhǔn)確有用的回答。