一句话定义
低资源语言鸿沟（Low-Resource Language Gap）指的是：同一个模型，在英语这类高资源语言（high-resource language）上表现顺畅，换成训练数据稀缺的语言时，能力明显下降。
出现这种落差的原因
模型的能力大体上由训练数据塑造。英语在互联网文本、书籍、代码、论坛、百科里的占比极高，模型见过海量真实语境，学到的不只是单词，还有搭配习惯、语序偏好、言外之意。而很多语言，包括小语种、方言、部分非洲与南亚语言、原住民语言，数字化文本的总量可能少好几个数量级。模型见到的“例句”太少，往往只学到表层的词对词映射，没能掌握这门语言内部的统计规律和文化语境。
打个比方：一位读了几千本英文菜谱的厨师，做西餐得心应手；你临时塞给他一张手写的小语种菜谱，他只能半猜半蒙——字认出几个，火候、下料顺序、行内默认的做法全丢了。模型也一样，问题出在它只见过这门语言的皮毛，而不是它完全不会这门语言。
典型表现
- 词汇层：生僻词、屈折变化、复合词切分容易出错
- 语法层：语序、格标记、性数一致这类细节不稳
- 语用层：敬语层级、方言变体、文化特定表达经常跑偏
- 迁移层：输出像“从英语翻译过来的”，通顺但不地道
- 对齐层：安全拒答、偏见缓解通常只在英语上打磨得细，其他语言的覆盖相对单薄
几个容易混淆的概念
| 概念 | 关注点 |
|---|---|
| 低资源语言鸿沟 | 同一模型在不同语言之间的能力落差 |
| 多语言模型（multilingual model） | 用一套参数覆盖多种语言的技术路线 |
| 跨语言迁移（cross-lingual transfer） | 高资源语言学到的能力能否搬到低资源语言 |
| 长尾分布（long-tail distribution） | 数据频次不均的通用统计现象，语言只是其中一例 |
对从业者和普通人的意义
做技术选型时，别拿英语 demo 当结论。先摸清目标语言的数据存量，再看分词器（tokenizer）的词表覆盖、对齐数据有没有本地化、用翻译数据增广会不会带出“翻译腔”。评估集也要按语言分开看，混在一起算平均分会把鸿沟抹平。
对企业和普通用户来说，如果业务在东南亚、中东、非洲或国内少数民族地区，别默认“大模型什么语言都行”。合同、医疗、客服这类关键场景要人工复核；采购前用自己语言的真实样例实测几轮，具体支持范围以厂商官方页面为准。
说到底，语言鸿沟背后是数据鸿沟：谁的语言没被写进互联网，谁就容易被模型忽略。