文章主要内容总结本文聚焦大型语言模型（LLMs）的跨语言对齐能力评估，提出了一种基于神经元状态的新框架NeuronXA（Neuron State-Based Cross-Lingual Alignment），并通过实验验证了其有效性。研究背景：现有跨语言对齐评估方法多依赖句子嵌入，但神经模型的表示空间存在非光滑性（如各向异性），尤其影响低资源语言的语义对齐评估。核心方法：受神经科学中“相似信息激活重叠神经元区域”的启发，NeuronXA通过量化神经元对多语言平行语料的激活一致性来评估跨语言对齐。具体包括：神经元状态检测（激活状态为二进制0/1，激活值为绝对强度）；句子表示（采用位置加权平均法缓解解码器模型的 token 表示偏差）；对齐分数计算（通过余弦相似度矩阵中平行句子对的一致性比例衡量）。实验设计：在LLaMA、Qwen、Mistral等主流多语言LLM上，通过平行句子检索、跨语言迁移任务（如XNLI、BMLAMA-53）和多语言基准（如Belebele、m-ARC）验证NeuronXA的效果。关键发现：神经元状态表示在语义检索中表现更优，尤其减少了双向检索的方向性不对称；NeuronXA与下游任务性能和迁移能力的皮尔逊相关系数分别达0.9556和0.8514（仅用100个平行句对