文章主要内容与创新点总结一、主要内容研究背景：大型语言模型（LLMs）在高资源语言任务中表现出强大的泛化能力，但在泰米尔语等低资源、形态丰富的语言中的语言能力尚未得到充分探索。现有多语言基准大多是英语数据集的翻译版本，无法捕捉目标语言的语言和文化细微差异。数据集构建：构建了首个泰米尔语专属语言评估基准ILAKKANAM，包含820道来自斯里兰卡1-13年级泰米尔语学科考试的题目，由专业语言学家标注为5个语言类别（语音学、音系学、形态学、句法学、语义学）和1个事实知识类别，涵盖不同难度层级。模型评估：采用标准化评估框架，对闭源模型（如GPT-5、Claude Sonnet 4.5、Gemini 2.5等）和开源模型（如LLaMA 4、DeepSeek-V3、Qwen 2.5等）进行评估，同时开展类别级、年级级分析及语言类别分类任务测试。核心发现：Gemini 2.5总体表现最佳（正确率79.55%），闭源模型整体优于开源模型，凸显语言基础的差距；所有模型在低年级题目上表现较好，随语言复杂度提升（尤其是5年级及13年级）性能显著下降；模型在事实知识类别（如文化、历史、文学常识）表现较弱，语音学类别表现相对最优；模型的整体性能与其语言类别识别能力无强相关性，表明性能可能源于数据暴露而非真正的语言理解。
文章主要内容与创新点总结一、主要内容研究背景：大型语言模型（LLMs）在高资源语言任务中表现出强大的泛化能力，但在泰米尔语等低资源、形态丰富的语言中的语言能力尚未得到充分探索。现有多语言基准大多是英语数据集的翻译版本，无法捕捉目标语言的语言和文化细微差异。数据集构建：构建了首个泰米尔语专属语言评估基准ILAKKANAM，包含820道来自斯里兰卡1-13年级泰米尔语学科考试的题目，由专业语言学家标注为5个语言类别（语音学、音系学、形态学、句法学、语义学）和1个事实知识类别，涵盖不同难度层级。模型评估：采用标准化评估框架，对闭源模型（如GPT-5、Claude Sonnet 4.5、Gemini 2.5等）和开源模型（如LLaMA 4、DeepSeek-V3、Qwen 2.5等）进行评估，同时开展类别级、年级级分析及语言类别分类任务测试。核心发现：Gemini 2.5总体表现最佳（正确率79.55%），闭源模型整体优于开源模型，凸显语言基础的差距；所有模型在低年级题目上表现较好，随语言复杂度提升（尤其是5年级及13年级）性能显著下降；模型在事实知识类别（如文化、历史、文学常识）表现较弱，语音学类别表现相对最优；模型的整体性能与其语言类别识别能力无强相关性，表明性能可能源于数据暴露而非真正的语言理解。
)
