多语言大模型（MLLM）在面对多语言任务时，往往面临一个选择难题：是用原来的语言直接回答，还是翻译成高资源语言去推理？ 实际上， 不同 的语言在模型内部承载着不同的「特长」 。比如英语可能逻辑性强，适合科学推理；而中文或印尼语在处理特定文化背景或押韵任务时，可能比英 语更具优势。 如何让模型在面对不同任务时，自动选择一条「最顺手」的推理路径？来自新加坡科技研究局（A*STAR）Nancy F. Chen 和 Ai Ti Aw 带领的研究团队，携手新加 坡科技设计大学（SUTD）Roy Ka-Wei Lee 教授团队共同推出了 AdaMCoT（Adaptive Multilingual Chain-of-Thought）框架 。AdaMCoT 的核心在于 把 「用哪种 语言思考」本身当成一个可优化的决策变量 ：通过自适应地在多种语言间路由并组合链式思考，再将推理结果映射回目标语言，从而显著提升跨语言的事实推理 准确性与一致性。 该工作已被 AAAI 2026 主轨道接收为 Oral 论文 。 研究背景与痛点 现有的跨语言推理方法通常存在「路径依赖」：要么不做处理直接推理，容易导致低资源语言的幻觉；要么强制全部转 ...