Jawabannya adalah ya, dan efeknya cukup jelas. Cukup dengan melatih menggunakan satu bahasa saja, model juga akan semakin kuat di banyak bahasa lain.

Misalnya, pada uji coba bahasa Prancis, dengan langsung melatih menggunakan bahasa Prancis, nilai rata-rata naik 25,6 poin persentase; tanpa sama sekali melatih dengan bahasa Prancis, hanya berlatih dengan soal bahasa Spanyol, dan ketika akhirnya diuji dengan bahasa Prancis pun nilainya masih bisa naik 24,6 poin persentase—selisihnya hanya 1 poin persentase.

Yang dipelajari model tidak hanya cara mengerjakan soal dalam satu bahasa tertentu, tetapi juga sebagian metode pemecahan yang bisa dipindahkan untuk dipakai terus pada bahasa lain. Jadi ke depannya, kalau ingin memperkuat penalaran model dalam bahasa Mandarin, belum tentu semua data penguatan belajar harus dibuat ulang dalam bahasa Mandarin.

Namun pelatihan bahasa juga tidak bisa asal diganti; bahasa tertentu memang dapat memicu kemunduran kemampuan tertentu. Dengan penguatan pembelajaran yang sama, jika digunakan bahasa pelatihan yang berbeda, sebagian model justru bisa mengalami penurunan yang jelas pada bahasa lain dan tugas-tugas lain. Dalam salah satu rangkaian eksperimen yang paling ekstrem, setelah Qwen3-4B dilatih dengan bahasa Swahili, pada satu set pengujian bahasa Inggris yang tidak pernah ditemui saat pelatihan, model tersebut turun sebesar 19,2 poin persentase dibanding model awal; sementara saat dilatih dengan beberapa bahasa sekaligus, pengujian ini malah meningkat sebesar 4,5 poin persentase.

Kertas ini terutama memverifikasi soal-soal penalaran seperti matematika, logika, gambar, dan geometri yang jawabannya bisa dinilai benar atau salah secara otomatis. Jika soal-soal ini diganti ke bahasa lain, metode solusi dasarnya sering kali tidak berubah. Untuk tugas-tugas yang benar-benar bergantung pada bahasa itu sendiri, seperti pemahaman bacaan, metafora, penilaian semantik, dan pengetahuan budaya, kertas ini tidak melakukan verifikasi.

Mantan ilmuwan riset senior Google DeepMind, serta co-founder dan CEO Unreasonable Labs, Cao Yuan, berpendapat bahwa AI for Science kini sedang memasuki masa ledakan. Tetapi agar AI benar-benar bisa menghasilkan penemuan ilmiah setara tingkat Nobel secara mandiri, setidaknya masih butuh dua hingga tiga puluh tahun. Cao Yuan sebelumnya terlibat dalam proyek seperti Gemini, dan arah startup-nya sekarang juga bertujuan agar AI menemukan pengetahuan baru.

Dia berpendapat bahwa hambatan terbesar saat ini adalah verifikasi. Menulis kode bisa langsung dijalankan untuk menguji coba, dan matematika juga bisa dicek langkah demi langkah dengan Lean untuk pembuktian. Namun biologi, material, dan fisika pada akhirnya harus dilakukan dengan eksperimen nyata. Satu eksperimen bisa jadi mahal, atau mungkin harus menunggu sangat lama. AI sulit melakukan uji coba berulang secara cepat dan kontinu seperti Coding Agent.

Yang lebih sulit lagi adalah “menciptakan konsep baru”. Cao Yuan berpikir bahwa model-model sekarang sangat jago mencari jawaban dalam pengetahuan, definisi, dan teorema yang sudah ada, tetapi belum seperti ilmuwan kelas atas yang mampu mengabstraksikan objek matematika, definisi, dan teori baru. Ia menyebut “abstraksi konsep” ini sebagai “mil terakhir” menuju AGI.