破解阿拉伯语医疗AI瓶颈：新方法让大模型跨语言知识显性化

当前大型语言模型在英语医疗任务中表现出色，但在阿拉伯语场景下性能大幅下降，传统观点认为这主要源于训练数据不足。然而最新研究通过机制分析发现，问题根源更为复杂：模型中间层其实已编码了阿拉伯语医疗知识，但在输出层无法有效表达。

研究团队采用调谐透镜探测和因果激活修补技术，系统追踪了知识在模型各层的流动路径，最终定位到跨语言表征在特定层窗口开始分叉。基于这一发现，研究者提出了“针对性低秩适配”方法，仅对输出层上游的关键层进行参数优化，而非传统全网络微调。

实验显示，在阿拉伯语医疗选择题任务上，该方法优于全网络LoRA微调、零样本和少样本基线。在短答案生成和多轮临床对话任务中，无需任务特定微调即取得竞争性表现。研究同时发布了AraClinicDialog基准数据集，包含标准阿拉伯语及四种方言变体的临床对话数据。

这项研究表明，通过机制诊断可精准定位模型瓶颈，为资源稀缺语言的医疗AI开发提供了高效适配路径，对推动全球医疗公平具有重要意义。