回答的语言漂移（Language Drift），指模型在同一个回答里，输出语言逐渐偏离你提问时所用语言的现象。最典型的形态是：你用中文提问，前两段还是中文，第三段开始整段变成英文，结尾甚至又飘回中文。
它为什么会发生
关键在于，模型并不会“先决定用中文回答”，然后一路执行到底。它每生成一个词（token），都要重新猜一次“下一个词最可能是什么”。而这个概率很大程度上被已经写出来的上下文牵着走。
打个比方：把语言想成高速公路上的车道。模型每次只往前挪一米，每挪一米都瞟一眼旁边；如果左前方全是大写英文术语、代码块、论文腔的句式，它就更容易并到英文车道上。
常见的几个推手：
- 提示词和示例的语言不一致：系统提示（system prompt）用英文写，用户用中文问，少样本示例（few-shot）又是中英混排，模型收到的“该说哪种话”的信号本身就是噪音。
- 训练数据配比（data mixture）：编程、学术、API 文档这类领域的高质量语料以英文为主，一旦话题滑进这些区域，英文先验就压过了“请用中文”这条弱约束。
- 话题切换：从闲聊转到技术细节，术语密度陡增，模型开始顺着语料走。
- 上下文变长：越往后，开头那句“请用中文回答”的影响力越被稀释。
和几个邻近概念的区别
| 概念 | 典型表现 | 关键区别 |
|---|---|---|
| 语言漂移 | 一次回答内部语言逐渐偏移 | 是过程性的，同一段输出里前后不一致 |
| 语码转换（Code-switching） | “这个 API 的 latency 有点高” | 人类语言习惯，通常是有意为之且合理 |
| 语言混淆（Language Confusion） | 一句话里单词级别乱跳 | 粒度更碎，多指向模型能力问题 |
| 不遵守语言指令 | 整篇英文回答中文提问 | 从头就错，不叫“漂” |
对实际工作意味着什么
对从业者：把输出语言当成一项可测指标，而不是默认行为。提示词里显式写死语言，示例也用目标语言，长上下文里语言约束值得再说一遍；做评测时单列一项“语言一致性”。不同厂商、不同模型对这件事的处理差异不小，具体机制以官方文档为准。
对普通职场人：看到回答中途切英文，先别默认它“更专业”，很可能只是话题进入了英文语料密集区。要拿去汇报的稿子务必通读一遍；长文档可以分段提要求，或者直接说“全文只用中文，专有名词可保留英文原文”。