阿里千问最新研究：Agent 也会「巴别塔」！

团队发布一个新的 BabelArena 来测试：同一条 agent 工作流换语言后，工具调用、环境状态、检索与打分会不会一起走样，通关仍可能掩盖 8 倍级的工具调用膨胀。

论文：https://arxiv.org/abs/2609.23490

千问帖子里的例子
同一购物任务、同一模型（Qwen-3.8-Max），英语与泰卢固语（Telugu）都拿到同样四个商品、都算通过；但工具调用是 25 vs 201，泰卢固一侧对本地化目录反复空搜。作者的判断：即便 pass，上线前也该看见这条差距。

BabelArena / BabelFlow 是什么
· BabelArena：大规模多语言 LLM agent 基准，约 699 个规范任务 × 23 种语言 → 约 1.6 万 任务实例（论文/README 数字在 699–702、16077–16146 间有小幅表述差，以当日仓库与 arXiv 为准）。覆盖 13 个领域、15 种文字；语言分高/中/低资源三档（泰卢固在低资源列）。
· 四套源基准家族：VitaBench（交互服务）、DeepPlanning（长程规划）、τ³-Bench text（模拟用户 + 工具 + 政策）、ClawEval（编排 / 多模态 / 专业对话）。
· BabelFlow：通用适配流水线，沿运行时数据流找出可安全翻译的文本，在任务、工具描述、数据库、模拟用户与 grader 上保持结构一致，多层校验 + 人工复核后再接纳变体。重点是 component-complete localization，不是只翻 prompt。

论文里更广的发现
没有单一模型通吃四个家族；跨语言差距不止成功率。低资源语言更多是 tool-use / control-flow 类失败，而不仅是「答案质量差」；同任务输入 token 可到英语约 2×；结构化输出时语言一致性更差，切换几乎一边倒指向英语。