Mistral AI推出了新推理模型Magistral，支持多语言推理。该模型采用纯强化学习训练，提升了准确率，实现高效实时推理，但未与Qwen和DeepSeek R1进行对比，引发质疑。

本研究分析了大语言模型在多语言推理中的表现，发现英语推理模型在高资源语言中能有效提升跨语言数学推理能力，但低资源语言存在局限性。

本研究回顾了语言模型在多语言推理中的不足，提出了提升低资源语言适应性的新方法，并指出未来改善多语言推理的研究方向。

本研究提出自适应思维链（AdaCoT）框架，旨在解决大型语言模型在多语言推理中的性能差异。通过动态调整思维路径，显著提升低资源语言的推理质量和跨语言一致性，缩小高低资源语言之间的性能差距。

本研究提出了一种高效的多语言推理对齐方法SLAM，旨在解决大型语言模型在多语言推理中的不足。SLAM通过微调多语言性层，显著减少计算资源浪费和灾难性遗忘。实验结果表明，其在10种语言上的表现优于强基线，训练时间减少4.1至11.9倍。