推理模型這幾年解決了「答案對不對」，卻留下一個常被忽略的問題：中間那段思考過程，使用者看不看得懂？Cohere 在 2026 年 10 月 6 日發表的研究指出，多數推理模型被用西班牙語、阿拉伯語或斯瓦希里語提問時，內部仍然用英文思考，最後才把答案翻回使用者的語言。這代表兩件事：提示詞裡的文化脈絡可能在內部轉換時流失，而非英文使用者完全無法檢查每一步推理。
「用使用者的語言推理」難在哪
Cohere 把這個目標稱為 in-language（L2）reasoning。過往嘗試遇到三個瓶頸：強迫模型用其他語言推理往往犧牲準確率；評測幾乎只看數學題——而數學恰好是語言最不重要的任務；涵蓋的語言通常只有少數幾種熱門語言。
他們也測了繞過訓練的取巧方法：要求 Qwen3.5-4B 用使用者語言思考幾乎沒效果；用預填推理開頭的方式硬逼，效果變好但準確率下降，而且一般使用者也做不了這種操作。結論是，可靠的 L2 推理必須靠訓練資料解決。
三根支柱的資料配方
Cohere 的做法核心在資料混合，由三部分組成：
- 英文推理資料（ER）：約 170 萬筆由 gpt-oss-120b 產生的逐步解題範例，是任務解決能力的骨幹。但只用這一項，模型即使用戶語言被明確指定，也只有 12.8% 的情況用使用者語言推理。
- 多語言推理資料（MR）：把英文推理範例翻譯成 44 種語言，每種語言只有約 5,000 筆。量極少，卻把 L2 推理率從 12.8% 拉到 86.1%，準確率還同時提升。
- 多語言非推理資料（NR）：只有問答、沒有推理軌跡的目標語言資料。這類資料最容易取得，而它幫助模型把能力遷移到從未見過推理範例的語言。
對 builder 來說，這是最值得記住的一點：模型「會不會推理」和「用哪種語言推理」是可以拆開的，所以不必逐語言重做推理資料。翻譯推理軌跡很貴，但少量就夠了。
成果與代價
在 Tiny Aya 基礎模型上套用這個配方，得到的 Tiny Aya L2-Thinker（3.35B 參數）在 60 種語言中，超過 93% 的推理軌跡使用使用者語言。與同底座、只推理英文的雙胞胎模型相比，六個基準中有五個準確率最多掉兩到三個點，開放式寫作甚至略為上升。平均思考 token 低於 5,000，靠的是多語言優化的 tokenizer。
弱點也很明確：在競賽級數學基準 PolyMath 上，準確率下降得比較明顯。Cohere 自己推測原因是模型沒有經過強化學習階段——那正是困難數學最需要、也最能抹平翻譯痕跡的階段。
對中文使用者的實際意義
低資源語言的表現是這份研究另一個亮點。按網路文字量分層，Tiny Aya L2-Thinker 在最高資源兩層的 L2 推理率是 99%，最低兩層仍有 94.3% 和 94.5%；相較之下，Mistral 的 Magistral 從 72% 崩到 5%，M-Thinker 則在每個軸上都退化。研究還觀察到一個通病：推理軌跡越長往往重複率越高——模型在繞圈子（doomlooping）而不是想得更深。Cohere 公開了模型權重和多語言推理資料，如果你的產品服務非英文市場、又需要使用者能檢查推理過程，這套「少量翻譯推理資料＋大量非推理語料」的配方，可能比重新標註推理資料划算得多。這也延續了 Cohere 一貫的企業端路線，也就是先前談過的 North 2 agent 平台策略——不只在答案上競爭，而是把整條推理與治理鏈做成產品。限制仍要記住：競賽級數學的能力缺口，代表高難度推理任務短期內還是得用別的模型補位。