为什么重要
MGSM 评测的是 LLM 在非英语语言中的数学推理能力。由专业翻译将 GSM8K 的 250 道题翻译为 10 种语言（中/日/法/德/西/俄/泰/孟/斯/特），揭示了”推理能力是否真正多语言化”的关键问题。
构建方式
从 GSM8K 随机抽取 250 道题，由母语者翻译为 10 种语言。保持数学结构不变，只替换语言表述和本地化细节（如货币单位）。
任务示例
- 英文原题：“Janet has 3 apples. She buys 5 more. How many does she have?”
- 中文翻译：“小红有3个苹果，她又买了5个。她现在有几个？”
- 同一推理链，不同语言
关键发现
- 低资源语言（泰/孟/斯/特）的准确率比英语低 10-20%
- CoT 提示在所有语言中都有效，但效果在低资源语言上更大
- 用英语 CoT 推理然后翻译答案 vs 用目标语言 CoT，效果接近
关联基准
GSM8K（英文原版）、GSM-Plus（加固版）、MMMLU（多语言知识）
不足与展望
250 题规模偏小。专业翻译可能不完全捕捉语言特有的数学表达习惯。