QuanLing框架跨语支验证：量化西罗曼语系的语言距离

量化语言距离：一个长期未解的难题

在量化语言学领域，如何精确衡量亲缘关系密切的语言之间的距离，一直是核心挑战之一。这类语言彼此高度相似，传统的分类方法往往难以捕捉它们之间微妙的差异。近期发表于 arXiv 的研究（arXiv:2610.08851v1）给出了一个新的解法——QuanLing 框架（Quantitative Linguistics via Pretrained Language Models），通过预训练语言模型来实现语言距离的量化。

QuanLing 并非全新概念。研究团队在此前的工作中，已经将该框架应用于北日耳曼语系（丹麦语、挪威语书面语 Bokmål、瑞典语）并完成了初步验证。本篇论文的核心贡献在于把这套方法论推向了另一个语支——西罗曼语系，以此检验其跨语支的普适性。

QuanLing 跨语支验证研究

三大指标：从嵌入距离到互通性

QuanLing 的方法论建立在一组指标家族之上，结合了语言距离度量与语言属性分析两个维度。

句子嵌入距离

研究使用 LaBSE（Language-agnostic BERT Sentence Embedding）模型，计算不同语言平行句子在向量空间中的距离。距离越近，意味着两种语言在语义表达层面越接近。

LaBSE（Language-agnostic BERT Sentence Embeddings）由 Google 于2020年提出，是一种专为跨语言语义对齐设计的句子编码模型，支持109种语言。与普通多语言模型不同，LaBSE 在训练时明确优化了「语言无关性」：对同一语义内容，无论使用哪种语言表达，模型都应将其映射到向量空间中的相近位置。训练数据包含大量双语平行语料，并使用对比学习目标（contrastive learning）拉近翻译对、推远非翻译对。正是这种设计使其特别适合作为语言距离的测量工具——两种语言在 LaBSE 空间中的平均距离，可以被解读为「语义表达层面的结构差异」，而非单纯的词汇或语法差异。

分词碎片化率

团队借助四个单语 BERT 分词器，测量分词碎片化率（tokenization fragmentation rate）。这一指标反映了一种语言在被另一语言训练出的分词器处理时，被切分得有多碎——碎片化程度某种意义上揭示了词汇层面的距离。

BERT 系列模型普遍使用 WordPiece 分词算法：若一个词汇在训练词表中出现，则作为整体 token 保留；若未出现，则被切分为更小的子词单元（subword），这些碎片化的子词通常以「##」前缀标记。当用 A 语言训练的分词器处理 B 语言文本时，B 语言中与 A 语言词汇重叠程度越低，碎片化率就越高。因此，碎片化率本质上衡量的是两种语言在书写词汇层面的重叠程度——对于共享大量词根和拼写的亲缘语言（如葡萄牙语与西班牙语），互相处理时碎片化率应相对较低，反之则较高。这一指标不依赖语义理解，纯粹从字符串模式角度提供了一个互补的距离维度。

掩码语言模型互通性

第三个维度借助 mBERT 的掩码语言模型（MLM）预测能力，衡量语言之间的「互通性」（mutual intelligibility）。模型在一种语言环境下对另一种语言的预测准确率，可以作为互相理解程度的代理指标。

本次西罗曼语系实验针对法语、葡萄牙语、西班牙语、意大利语四种语言展开，以英语作为锚点（anchor），构建四语组（quadruplet）结构，并采用了 150 组四语平行句子作为数据基础。为保证可比性，整套度量指标族与聚合协议均与北日耳曼语系研究保持一致，仅针对四语场景做了适配。

核心发现：谁最接近，谁最疏远

实验结果呈现出清晰的语言距离图谱。

葡萄牙语与西班牙语是四种语言中最接近的一对，LaBSE 距离仅为 0.0229——这与两种语言在历史与地理上的紧密联系相当吻合。而法语与意大利语则是距离最远的一对，LaBSE 距离达到 0.0338。

跨模型一致性是本研究的一个重要验证点。在六组语言配对中，LaBSE 的排序结果与 mBERT 的排序结果在其中 4 组上达成一致，这为 QuanLing 的跨模型稳健性（cross-model robustness）提供了实证支撑。两套独立的模型给出相似结论，说明测得的距离不是单一模型的偶然产物。

跨语支对比：绝对跨度更大，相对比例相近

将西罗曼语系与此前的北日耳曼语系结果对照，研究揭示了一个耐人寻味的规律。

西罗曼语系的绝对距离跨度更大（0.011 对比北日耳曼语系的 0.008），但相对比例却较为接近（1.48 对比 1.67）。研究者认为，这与西罗曼语系更长的分化时间（divergence time）相一致——语言分离得越久，彼此的绝对差异自然越大，但内部结构的相对关系仍保持可比的量级。

这一发现的意义在于：QuanLing 捕捉到的不仅是表面的距离数值，更是语言演化内在节奏的某种映射。

法语的特殊性：正字法与语音的解耦

一个值得深入的细节是法语在 MLM 预测上的表现。法语展现出明显更高的掩码语言模型可预测性，top-1 准确率达到 36.12%，而意大利语仅为 29.28%。

研究将这一差异归因于法语「正字法—语音解耦」（orthography–phonology decoupling）的特性。法语的书写形式与实际发音之间存在大量不对应（例如众多不发音的词尾字母），这种高度规则化却与语音脱节的拼写系统，反而让基于文本的语言模型更容易预测——因为书面模式本身更具可预测的规律性。这一观察为语言属性分析维度提供了一个具体而有力的案例。

法语的正字法—语音解耦现象在罗曼语系中尤为突出。典型例子包括：词尾辅音字母在大多数情况下不发音（「temps」发音为 /tɑ̃/，末尾 -mps 均哑音）、同一发音对应多种拼写（/o/ 可写作 o、au、eau、ô），以及大量连音（liaison）规则使书面词形与实际语流发音进一步分离。这种特性形成于中古法语至近代法语的演变过程中：书写系统倾向于保留词源拼写（etymological spelling），而口语发音却持续简化演变，两者逐渐脱节。对于基于文本预训练的语言模型而言，书面法语的高度规则性与词形稳定性反而创造了更强的 n-gram 预测信号，使得掩码预测任务在法语上更容易完成。

对框架普适性的意义

从北日耳曼语系到西罗曼语系，QuanLing 完成了一次跨语支的验证。相同的指标家族、相同的聚合协议，在两个起源不同、演化路径各异的语支上都给出了自洽且可解释的结果。

这为 QuanLing 的可泛化性（generalizability）提供了超越单一语支的进一步证据。对于量化语言学而言，这意味着预训练语言模型有望成为一种通用的、跨语系的语言距离测量工具，而不必为每个语系单独设计方法。当然，仅凭两个语支的验证尚不足以宣称完全通用，后续在更多语系（如斯拉夫语系、汉藏语系等）上的拓展，将是检验这一框架真正边界的关键。