核心发现
方法论
提出“先前论点相似性”指标，基于多语言嵌入模型（如BGE-M3、LaBSE）计算辩论中后续论点与先前论点的语义相似性。实验覆盖71个议题，六种语言，四种模型。
关键结果
- 中文辩论的先前论点相似性比英文高出0.047（BGE-M3），显著高于其他语言。
- 多语言嵌入模型一致显示中文重复性高，且与人工标注一致。
- 多样性提示降低了重复性，但未显著缩小中英差距。
研究意义
该研究揭示了多语言LLM辩论中的语义重复现象，特别是中文的显著差异。这为多语言交互系统的设计提供了重要参考，强调了跨语言语义动态的差异性。
技术贡献
首次提出“先前论点相似性”作为辩论动态的量化指标，结合多语言嵌入模型和人工校准，验证了指标的有效性和稳定性。
新颖性
该研究首次系统性分析了多语言LLM辩论中语义重复的动态过程，提出了新的指标和实验框架。
局限性
- 指标无法区分重复是否有意义，例如引用或反驳。
- 实验仅限于六种高资源语言，未覆盖低资源语言。
- 模型选择可能影响结果的普适性。
未来方向
未来可扩展至更多语言和低资源环境，探索重复性对辩论质量的具体影响，并优化提示策略。
AI 总览摘要
该研究探讨了多语言LLM辩论中语义重复现象，提出“先前论点相似性”指标以量化辩论动态。通过71个议题、六种语言和四种模型的实验，发现中文辩论的重复性显著高于英文。这一现象在多种嵌入模型和人工校准中均得到验证。
研究表明，中文辩论中后续论点更倾向于回归先前内容，而非发展新论点。这一发现对多语言交互系统的设计具有重要意义，提示需要关注语言间的语义动态差异。
尽管多样性提示降低了重复性，但未能显著缩小中英差距。未来研究可扩展至更多语言，探索重复性对辩论质量的具体影响，并优化提示策略以促进语义发展。
深度分析
研究背景
近年来，LLM辩论作为一种多智能体交互形式受到关注，其潜力在于揭示不同观点并促进推理。然而，现有研究多关注最终答案质量，而忽略了辩论过程中的语义动态。尤其在多语言环境下，语言间的语义重复性尚未被系统性研究。
核心问题
核心问题是辩论中后续论点是否发展新内容，或仅以新措辞重复先前内容。这种语义重复性可能影响辩论的质量和多样性，尤其在多语言交互中，语言特性可能进一步放大这一问题。
核心创新
提出“先前论点相似性”指标，基于多语言嵌入模型量化辩论动态。实验设计覆盖六种语言和四种模型，确保语言间的对比公平性。通过人工校准和多样性提示，验证指标的有效性和适用性。
方法详解
- �� 使用BGE-M3、LaBSE等嵌入模型计算语义相似性。
- �� 提取辩论中每轮的论点单元，比较与先前论点的语义重合。
- �� 采用人工校准和多样性提示进行验证。
- �� 通过回归分析和交叉编码器重新评分确保结果稳健性。
实验设计
实验覆盖71个议题，六种语言（包括中文和英文），以及四种模型（如GPT-5.5、Claude Opus 4.7）。每场辩论包含八轮发言，严格控制论点长度和结构。多样性提示用于测试重复性干预效果。
结果分析
中文辩论的先前论点相似性显著高于英文（+0.047，BGE-M3）。多语言嵌入模型一致显示中文重复性高，且人工校准验证了这一趋势。多样性提示降低了重复性，但未显著缩小中英差距。
应用场景
该研究可用于优化多语言交互系统，特别是在辩论和协作任务中。它强调了语言间语义动态的差异性，为设计更具适应性的提示策略提供了依据。
局限与展望
指标无法区分重复的具体类型，例如引用或反驳。实验仅限于六种高资源语言，未覆盖低资源语言。模型选择可能影响结果的普适性。
通俗解读 非专业人士也能看懂
可以把辩论看作一个厨师比赛。每轮发言就像厨师做一道菜，有些厨师会重复之前的配方（语义重复），而有些会创新新菜式（语义发展）。研究发现中文厨师更倾向于重复配方，而英文厨师更常尝试新菜。这种差异可能源于语言文化特点。
简单解释 像给14岁少年讲一样
想象你和朋友玩辩论游戏。每轮你们都要提出新观点，但有时会重复之前的内容。研究发现，中文辩论更容易重复，而英文辩论更常有新想法。这就像玩游戏时，有人总用同样的招数，而有人总在尝试新策略！
术语表
先前论点相似性 (Prior-Argument Similarity)
衡量辩论中后续论点与先前论点的语义相似性。
用于量化辩论动态，分析语义重复性。
嵌入模型 (Embedding Model)
将文本转换为向量以计算语义相似性。
研究中使用了BGE-M3和LaBSE等模型。
多样性提示 (Diversity Prompt)
一种提示策略，鼓励生成新论点而非重复。
用于测试语义重复性的干预效果。
语义重复 (Semantic Repetition)
后续内容在语义上与先前内容重合。
研究的核心分析对象。
人工校准 (Manual Calibration)
通过人工标注验证自动指标的准确性。
用于评估“先前论点相似性”的可靠性。
开放问题 这项研究留下的未解疑问
- 1 如何区分重复的具体类型，例如引用与反驳？
- 2 低资源语言是否表现出类似的语义重复现象？
应用场景
近期应用
多语言辩论优化
改进提示策略以减少语义重复，促进跨语言交流。
教育场景
用于语言学习中辩论技巧的训练，提升表达多样性。
远期愿景
跨文化协作
开发更具适应性的多语言交互系统，促进全球协作。
原文摘要
LLM debate is usually evaluated by final answers, yet transcripts reveal whether later turns develop new arguments or return to earlier claims in new wording. We study this process with \textit{prior-argument similarity}, which compares extracted argument units with earlier units in the same debate. In controlled eight-turn debates over 71 motions, six languages, and four model agents, Chinese is the only tested language with a consistently positive gap relative to English across three multilingual embedding models. The gap persists across agents, turn positions, regression adjustment, metric variants, extraction-length controls, a second-extractor subset, and cross-encoder tail rescoring. Manual calibration shows weak item-level alignment but a high-similarity tail enriched for substantive repetition. A diversity-aware prompt lowers \textit{prior-argument similarity} across languages, yet does not significantly narrow the Chinese--English gap. Multilingual debate evaluation should therefore measure argumentative development over time and report both average and gap terms.