廣東話AI能力2026：研究數據、模型差異與香港用戶的實際選擇

粵語AI能力有學術框架與部分數據，2025年後新模型與在港可用模型仍有系統性空白

延伸閱讀：Grok與Claude 2026：Benchmark、任務強項與香港可用性

廣東話是香港的主要口語，也是香港書面語的重要組成部分，但在AI語言能力的學術研究中，它長期處於相對邊緣的位置——大多數模型評估以普通話或英語為主，粵語的系統性測試數據相對稀少，而現有數據中，部分性能最佳的模型在香港又面臨訪問限制。

現有研究的覆蓋範圍

目前對LLM粵語能力的系統性評估主要依賴三份學術文件：

• arXiv:2408.16756（2024年8月）：系統評估主流LLM在粵語任務中的表現，覆蓋事實生成、數學邏輯、複雜推理及一般知識四個維度。
• HKCanto-Eval（arXiv:2503.12440，2025年3月）：專為評估LLM在粵語理解及香港文化認知設計的Benchmark，聚焦HK特定語境。
• Measuring HK MMLU（arXiv:2505.02177，2025年5月）：以香港情境為基礎的類MMLU格式評估。

各任務類型的模型表現（2024年數據）

根據2024年研究：

• 數學邏輯：GPT-4、GPT-4o、Claude-3.5表現最佳，其後為Mixtral-large-2、Llama-3.1-70b、GLM-4
• 複雜推理：GPT-4和GPT-4o一貫最佳，緊隨其後為Qwen-2.5-72b、Claude-3.5
• 一般知識（MMLU類）：Qwen-2.5-72b表現一貫最佳
• 事實生成：Qwen-1.5-110b和Mixtral-large-2領先

所有受測模型在英語的表現均優於粵語，粵語為相對弱項。需注意，上述數據基於2024年研究，2025至2026年代際更新後需重新評估。DeepSeek、Grok等後發模型未在上述已知研究中進行粵語專項評估。

三種粵語文字類型的區分

理解AI粵語能力需區分三種不同的文字形態：

• 書面語（正式繁體中文）：LLM整體處理最佳，但常出現港式與台式繁體的詞匯混淆（的士vs計程車、地鐵vs捷運）。
• 書面廣東話（含「佢、喺、唔、嘅、囉、咁」等粵語專用字）：處理能力因模型而異，部分模型在收到書面粵語輸入時，以正式書面語（普通話語序）回覆而非維持粵語風格。
• 口語粵語羅馬拼音：現有LLM表現最弱，TTS語調對粵語常不準確。

已記錄的常見錯誤

繁簡混用：未明確要求繁體中文時，部分模型輸出夾雜簡體字；普通話化語法：以普通話句式及助詞回應粵語輸入；粵語專用字識別：「霸」「𠮶」「嗰」「咋」等專用字在較小模型中容易出錯；中英夾雜處理：大型模型整體可行，但一致性有差異。

香港用戶面對的可用性矛盾

現有數據顯示粵語能力最強的模型（GPT-4o、Claude）在香港面臨訪問限制；在港可自由使用的模型（Grok、DeepSeek/Qwen）缺乏系統性粵語Benchmark記錄；Gemini（Google）在港可用，在中文語境有一定優勢，但粵語專項數據同樣有限。

小結

粵語AI能力的研究現況是：有學術框架、有部分數據、但存在系統性空白（尤其是2025年後新模型及在港可用模型的評估）。實際選型建議以業務對話的真實測試集評估，而非依賴模型的整體語言能力聲稱——「支援中文」不等於「適合香港粵語語境」。

雙語文件檢索的工程問題，可參閱你份文件一半中文一半英文——大多數AI系統就係喺呢度跌倒；繁體中文寫作的提示策略，可參閱AI輔助繁體中文寫作：常見錯誤、提示策略與工具選擇；混合語境下的嵌入模型測試，可參閱向量嵌入選型：如何為生產RAG選擇合適的嵌入模型。