只用英语训练，却拿下日语第一：Darwin ZTC 登顶 S1MB

S1MB 是什么？为什么它新增了日语赛道

S1MB（System One Mosaic Benchmark）是一套专门评测「决策模型」的基准。这里的决策模型不是生成文本的模型，而是直接输出判断的模型——给它一段推理场景，它返回一个结论，而不是一段解释。S1MB 的做法是把多个专项基准分别排名，再把每个基准的名次换算成分数取平均，得出一个 Borda 总分，避免任何单一任务主导最终结果。

最近，该榜单的运营方新增了日语赛道 japanese-v1，包含 27 个日语基准，并直接对现有模型进行了测试。榜单公开可查，任何人都能在浏览器里复核数据。

Borda 计分法是一种源自 18 世纪法国数学家 Jean-Charles de Borda 的投票聚合方法，核心思路是：让每位投票者对候选方案排序，再按名次赋予分数（例如 N 个候选中，第一名得 N 分、第二名得 N-1 分……），最后把所有投票者的分数加总排名。

S1MB 借用这一逻辑：把每个专项基准视为一位「投票者」，模型在该基准中的名次即为排序，再换算成分数求平均。这样做有两个好处——其一，避免某个基准因为题目数量多、波动大而主导总榜；其二，即使模型在某项上表现平庸，只要在大量基准中稳定靠前，总分依然会很高。这也解释了为什么 Darwin ZTC 在 27 个基准中只拿下 10 个第一，却能稳居榜首：它的优势来自整体的「名次分布」，而非单点爆发。

结果：英语训练的模型，日语赛道也第一

Darwin-27B-ZTC-v5 在日语赛道拿下第一名，Borda 得分 84.57，领先第二名 Perplexity（80.86）3.71 分，torchcast（80.49）和 Jev 1.13（75.43）紧随其后。任务平均分方面，Darwin 为 60.05，第二名是 58.43。

更关键的是覆盖面：在 27 个基准中，它拿下 10 个第一，16 个进入前三。这不是靠某一项特别突出拉高总分，而是整体稳定靠前。

同时它也是英语赛道（160 个模型）的第一名，得分 90.80。也就是说，同一个模型在两个语言赛道上都处于领先位置，而它从未接受过任何日语专项训练。

跨语言迁移：一个被低估的能力信号

Darwin ZTC 的训练身份是英语决策引擎，没有日语决策训练集。但那些让模型成为好「裁判」的能力——识别陷阱、道德判断、概率校准——几乎原封不动地迁移到了日语上。

这对多语言部署的产品团队有直接价值。路由、打分、安全门控这些模块要在产品服务的每一种语言里运行。如果判断能力可以跨语言迁移，那么进入一个新语言市场的边际成本会显著降低，不必为每种语言重新训练一个专用裁判模型。

反过来说，一个判断力强的模型并不是在记忆某种语言的表面模式，而是在学习一种更抽象、更可迁移的技能。这或许也解释了为什么它在英语和日语两条赛道上都能站住脚。

**跨语言迁移（cross-lingual transfer）**指模型在一种语言上学到的能力，能够不经额外训练就应用到另一种语言。它在生成式模型上已有大量研究（如零样本跨语言问答），但在「决策模型」这类输出判断而非文本的模型上，此前缺乏公开的量化证据。

迁移能否成立，取决于模型学到的是「语言表层模式」还是「任务底层结构」。表层模式与具体词汇、语法强绑定，换语言即失效；而识别逻辑陷阱、做概率校准、进行道德权衡这类能力，其抽象层次高于语言本身，因此更容易迁移。S1MB 日语赛道恰好提供了这样一个测试场：27 个基准横跨知识、推理、文化常识等多个维度，如果迁移只是偶然，很难在如此宽的覆盖面里持续靠前。

正面对决：27 个基准里的胜负分布

把 Darwin ZTC 与日语赛道前三名逐个对比，它在多数基准上都取得胜利：对 Perplexity 是 15 胜 9 负 3 平，对 torchcast 是 15 胜 11 负 1 平，对 Jev 1.13 是 15 胜 10 负 2 平。

几个有代表性的胜利：

• JMMLU（日语知识考试）：88.4，并列最佳。
• 常识道德判断：88.0，第一。
• SOBACO（日本文化常识）：72.5，第一。
• JaNLI（含陷阱句的日语自然语言推理）：83.7。
• JSICK 语义相关性：56.6。
• 运营方自编的数学与形式逻辑题：三种题型全部第一。

有意思的是，SOBACO 这类涉及日本本土文化常识的基准，理论上是对非日语训练模型最不友好的类型之一，但它依然拿到了第一。当然，12 个左右的负场也说明这种迁移并非无损，某些基准上它仍然会输给针对性更强的对手。

JMMLU 是 MMLU（Massive Multitask Language Understanding）的日语版本。MMLU 由多个学科的多选题构成，被广泛用作衡量模型知识广度的基准；JMMLU 保留了同样的学科结构，但题目与选项均以日语呈现，因此它不仅考验知识本身，也考验模型能否在日语语境下正确理解和作答。

JaNLI 对应的是 NLI（Natural Language Inference，自然语言推理）任务：给定前提句与假设句，判断二者是蕴含、矛盾还是中立。这类任务常被设计成包含「陷阱句」——例如否定、量词歧义或语序变化——专用来测试模型是否真的理解语义，而非依赖关键词匹配。

SOBACO 则聚焦日本本土文化常识，如节日、习俗、社会规范等。对非日语训练的模型而言，这类知识很难从通用语料中间接获得，因此在该基准上取得第一，比在纯逻辑类基准上获胜更能说明迁移的深度。

常见疑问

模型是否用日语决策数据做过微调？ 没有。它以英语决策引擎的身份训练，日语成绩来自迁移能力。

Borda 分数是怎么算的？ 每个基准的排名换算成积分再取平均，因此没有哪个单项任务能主导最终结果。

在哪里可以验证？ 公开榜单可直接查看日语赛道与英语赛道的数据。

为什么双语言领先值得关注？ 路由、打分和安全门控要在产品支持的每一种语言里工作，能迁移的裁判模型会降低多语言化的成本。