Abstract
В данной статье исследуется языковая асимметрия в больших языковых моделях (LLM) — тенденция моделей, обученных преимущественно на данных на английском языке, демонстрировать более низкую производитель-ность при работе с другими языками. В рамках исследования проведена сравни-тельная оценка с использованием задачи рекомендации университетов для коли-чественного определения влияния англоязычной ориентации обучающего корпуса на точность и надёжность результатов в неанглоязычных контекстах. Результаты экспериментов подтвердили значительное различие: рекомендации модели для за-просов на английском языке, относящихся к США, в большинстве случаев были точными — около 83 % полностью не содержали ошибок, тогда как лишь около 7 % содержали критические фактические ошибки. В то же время рекомендации для аналогичных запросов, связанных с азиатским контекстом, часто содержа-ли ошибки: только около 46 % были полностью корректными, а примерно 21 % содержали критические ошибки. Даже при дополнении системы более мощной моделью OpenAI улучшение было значительно более выраженным для англоя-зычных данных: общий уровень ошибок снизился примерно с 30 % до 12 %. Для азиатских данных улучшение оказалось значительно более ограниченным — уро-вень ошибок снизился примерно с 60 % до 42 %, при этом около 16 % ответов по-прежнему содержали серьёзные ошибки. Полученные результаты показывают, что современные большие языковые модели остаются значительно менее надёж-ными при обработке неанглоязычных входных данных, что создаёт определённые проблемы для их практического применения, например в сфере образования, где требуется учёт регионально-специфических знаний.