中国大模型破解东南亚语言困局

"这只海狮正合我意。"

一名在新加坡就职的外籍员工，在历经西方人工智能大模型的种种不便后，转投本地语言模型的怀抱。

他所称的这只海狮，并非海洋中的可爱生物，而是新加坡政府斥巨资构建的国家级大语言模型项目SEA-LION。

该项目的底层架构，源自中国的阿里千问大模型。截至4月15日，在最新东南亚语言模型排名中，这款中国模型持续领先，在印尼语、马来语、泰语、越南语等多个榜单上稳居首位。

然而，这个故事充满戏剧性。这个服务于东南亚7亿人口的国家级AI项目，最初采用的竟是西方模型，竟闹出了将委内瑞拉误认为东盟成员国的尴尬错误。

这一离谱事件，揭示了一个严峻现实：7亿东南亚民众，被挡在了AI的语言高墙之外。

该地区本土语言超过1200种，但主流模型中的东南亚语言数据占比，曾低至0.5%。

例如，曾风靡全球的美国开源模型Llama2，在东南亚语言面前近乎"文盲"，处理印尼语、泰语、缅甸语等非拉丁语系时效率极其低下。

当地民众逐渐认识到，依赖英语语料训练的西方模型，这条路根本走不通。

新加坡政府率先行动，2023年12月注资7000万新元（约3.81亿元人民币），启动国家级多模态大模型计划，致力于打造属于东南亚的语言模型。

突破的关键在于词元（Token）——AI处理信息的最小单元。

简单来说，AI对某种语言的理解准确度，取决于训练时输入的语料规模，即词元数量。

西方模型在东南亚表现不佳，根本原因正是东南亚语言词元供给严重不足。

语言与文化紧密相连，表达方式千差万别。比如，菲律宾语对某些词汇有含蓄委婉的表达习惯，若语料投喂不足，大模型根本无法领会其真实含义。

转折点出现在一次重大技术调整。2025年11月，海狮项目宣布放弃Llama架构，转而采用中国阿里千问作为新版旗舰基座模型。

该模型能担此重任，得益于其强大实力——预训练阶段词元规模高达36万亿，涵盖全球119种语言及方言。

这意味着，它并非后天学习东南亚语言，而是从根本上理解亚洲语境，不仅识别印尼语、马来语等文字，更能深度掌握其语法结构。

此外，中国企业深度参与后训练环节，为海狮项目追加投喂了超1000亿词元的东南亚语言数据。

在评估阶段，研发团队特别邀请母语人士参与数据质量评测，并为外籍员工配备了母语聊天机器人。

成效显著。2025年11月，基于中国大模型的海狮V4发布后立即登顶东南亚语言模型排行榜。

这次转向，也映射出全球范围的词元大迁徙。

根据全球AI模型API聚合平台OpenRouter数据，2026年4月第一周，中国AI大模型周调用量连续五周领先美国，最新一周达12.96万亿词元，约为美国4.27倍。更引人注目的是，全球调用量前六名均为中国模型。

中国词元走向世界看似突然，实则是长期积累的必然结果。

国研新经济研究院创始院长朱克力指出，Token出海本质上是中国智能算力、模型技术与服务体系的全球输出，标志着我国人工智能产业从国内应用走向国际竞争，从长远看更是中国新质生产力对外开放的核心路径，将稳步构建全球智能价值输出新生态。