多语言情境化评估的现状与命运：NLP 领域的基准审计

研究者审计了51个涵盖219种语言的多语言基准，指出覆盖广但单薄，36%的语言仅被单一基准评估，且高资源语言评测任务数远超低资源语言。 56%的数据集通过翻译英语构建，导致文化代表性不足，且存在基准污染问题。 作者建议构建原生、文化扎根且抗污染的评价框架，以更好地服务语言社区。