粤语AI能力2026：研究数据、模型差异与香港用户的实际选择

粤语AI能力有学术框架与部分数据，2025年后新模型与在港可用模型仍有系统性空白

延伸阅读：Grok与Claude 2026：Benchmark、任务强项与香港可用性

粤语是香港的主要口语，也是香港书面语的重要组成部分，但在AI语言能力的学术研究中，它长期处于相对边缘的位置——大多数模型评估以普通话或英语为主，粤语的系统性测试数据相对稀少，而现有数据中，部分性能最佳的模型在香港又面临访问限制。

现有研究的覆盖范围

目前对LLM粤语能力的系统性评估主要依赖三份学术文件：

• arXiv:2408.16756（2024年8月）：系统评估主流LLM在粤语任务中的表现，覆盖事实生成、数学逻辑、复杂推理及一般知识四个维度。
• HKCanto-Eval（arXiv:2503.12440，2025年3月）：专为评估LLM在粤语理解及香港文化认知设计的Benchmark，聚焦HK特定语境。
• Measuring HK MMLU（arXiv:2505.02177，2025年5月）：以香港情境为基础的类MMLU格式评估。

各任务类型的模型表现（2024年数据）

根据2024年研究：

• 数学逻辑：GPT-4、GPT-4o、Claude-3.5表现最佳，其后为Mixtral-large-2、Llama-3.1-70b、GLM-4
• 复杂推理：GPT-4和GPT-4o一贯最佳，紧随其后为Qwen-2.5-72b、Claude-3.5
• 一般知识（MMLU类）：Qwen-2.5-72b表现一贯最佳
• 事实生成：Qwen-1.5-110b和Mixtral-large-2领先

所有受测模型在英语的表现均优于粤语，粤语为相对弱项。需注意，上述数据基于2024年研究，2025至2026年代际更新后需重新评估。DeepSeek、Grok等后发模型未在上述已知研究中进行粤语专项评估。

三种粤语文字类型的区分

理解AI粤语能力需区分三种不同的文字形态：

• 书面语（正式繁体中文）：LLM整体处理最佳，但常出现港式与台式繁体的词汇混淆（的士vs计程车、地铁vs捷运）。
• 书面广东话（含「佢、喺、唔、嘅、囉、咁」等粤语专用字）：处理能力因模型而异，部分模型在收到书面粤语输入时，以正式书面语（普通话语序）回复而非维持粤语风格。
• 口语粤语罗马拼音：现有LLM表现最弱，TTS语调对粤语常不准确。

已记录的常见错误

繁简混用：未明确要求繁体中文时，部分模型输出夹杂简体字；普通话化语法：以普通话句式及助词回应粤语输入；粤语专用字识别：「霸」「𠮶」「嗰」「咋」等专用字在较小模型中容易出错；中英夹杂处理：大型模型整体可行，但一致性有差异。

香港用户面对的可用性矛盾

现有数据显示粤语能力最强的模型（GPT-4o、Claude）在香港面临访问限制；在港可自由使用的模型（Grok、DeepSeek/Qwen）缺乏系统性粤语Benchmark记录；Gemini（Google）在港可用，在中文语境有一定优势，但粤语专项数据同样有限。

小结

粤语AI能力的研究现况是：有学术框架、有部分数据、但存在系统性空白（尤其是2025年后新模型及在港可用模型的评估）。实际选型建议以业务对话的真实测试集评估，而非依赖模型的整体语言能力声称——「支持中文」不等于「适合香港粤语语境」。

双语文档检索的工程问题，可参阅文档一半中文一半英文——大多数AI系统就是在这里跌倒；繁体中文写作的提示策略，可参阅AI辅助繁体中文写作：常见错误、提示策略与工具选择；混合语境下的嵌入模型测试，可参阅向量嵌入选型：如何为生产RAG选择合适的嵌入模型。