Многоязычная стабильность моделей: как язык промпта влияет на результат

Переводишь только инструкцию, текст оставляешь тот же — а open-weight модели меняют вывод в 30-40% случаев. Исследование показывает как выбрать стабильную модель для многоязычных задач (русский + английский + другие). Проверили 6 моделей (Claude, GPT, Gemini, DeepSeek, LLaMA, Mistral) на 7 языках в задаче детекции нарушений прав человека. Результат: коммерческие модели держат F1-score 0.75-0.80 на всех языках, open-weight скачут от 0.40 до 0.80. Причина: выравнивание (alignment), а не размер модели.