MAPP：通过性能差距探测引导的表征对齐实现跨语言迁移

基于摘要分析。本文研究 LLM 向低资源语言迁移时，表征对齐目标是否真正对应任务性能提升，提出 MAPP（Multilingual Alignment through Performance-gap Probing）：利用中间层隐藏表征训练探针预测跨语言性能差距，再将探针作为奖励模型引导对齐，而非直接最小化预先选定的距离函数或对比损失。 作者指出，已有对齐目标在完全对齐时达到最小值，但完全对齐可能同时消除语言身份，且未必带来最优性能增益。作者通过训练 oracle 模型并分析其多语言表征几何，提出跨语言表征差异中的 performance gap（性能差距）与 language gap（语言差异）是可分离的成分。MAPP 的核心思路是让对齐信号更直接地指向任务性能差距，而不是无差别地压缩所有语言间差异；探针的监督来源、结构、奖励使用方式及优化流程尚未验证。 作者报告，在三项任务上，MAPP 相比摘要所称的现有最先进对齐信号取得更大的性能增益，同时保持输出语言身份。摘要未提供任务名称、语言组合、数据规模、基线名称、具体指标与数值，因此无法判断提升幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：区分任务性能相关差异与域身份差异，可能启发 EEG 跨被试域适应，避免把所有被试差异都作为需要消除的成分。但原方法依赖多语言隐藏表征及可用于监督性能差距的信号，EEG 中是否存在可稳定分离的对应成分尚不明确。可考虑复用探针引导的对齐思路，改造输入编码与探针监督构造；低信噪比、小样本及通道差异可能使探针学习到被试或采集条件的捷径。若开展小规模验证，可在固定跨被试划分与相同标签预算下，对比距离对齐和探针引导对齐，检查独立测试被试上的任务收益是否稳定。已有 EEG 相关工作尚未检索确认。