PrismML und nichtlateinische Sprachen: noch zu wenig Belege

Was tatsächlich bestätigt ist

Ich würde das Problem nichtlateinischer Sprachen noch nicht als gelöst bezeichnen. Mit Stand vom 19. September 2026 nennt die Download-Seite von PrismML eine Bonsai/ternary-g128-Variante für Text- und multimodale Inferenz. Diese Formulierung sagt jedoch nichts über die Qualität einzelner Sprachen oder Schriftsysteme aus.

Mehr Details liefert die Modellkarte des älteren Prism-NMT-Systems auf Hugging Face. Dort wird Unterstützung für 39 Sprachen genannt, darunter Arabisch, Bengalisch, Chinesisch, Griechisch, Hebräisch, Japanisch, Kasachisch, Russisch und Ukrainisch. Die Aufnahme einer Sprache in die Supportliste bedeutet jedoch nicht, dass Genauigkeit, Robustheit und Generierungsqualität überall gleich sind.

Das hilfreichste Signal findet sich im Vergleichsrepository PrismML-Bonsai-vs-Qwen3.5. Für Persisch sinkt der Wert von 79,8 % auf 66,7 % und anschließend auf 45,2 %, je kompakter die Varianten werden. Die Autoren des Vergleichs bezeichnen Persisch als die Fähigkeit, die am stärksten auf die Bitbreite reagiert. Genau das macht den Befund relevant: Die Kompression trifft nicht nur eine Gesamtmetrik, sondern eine konkrete Sprachfähigkeit.

Die Release-Materialien zu Ternary Bonsai berichten von Verbesserungen über einen breiten Testsatz hinweg und geringeren Einbußen gegenüber Modellen in voller Präzision. Eine gesonderte Aufschlüsselung nach nichtlateinischen Schriften enthalten die öffentlich verfügbaren Daten jedoch nicht. Die Beschwerde eines Nutzers über schwache Leistung einer früheren Version außerhalb des Englischen wirkt plausibel, bleibt aber eine Beobachtung und kein kontrollierter Vergleich.

Warum eine Sprachliste hier nichts garantiert

Die wichtigste Schlussfolgerung ist einfach: Mehrsprachige Unterstützung und ein stabiles mehrsprachiges Modell sind nicht dasselbe. Das gilt besonders, wenn starke Kompression eine einzelne Sprache unverhältnismäßig beeinträchtigt, wie das persische Ergebnis nahelegt.

Für russische, ukrainische, arabische und asiatische Einsatzszenarien würde ich zuerst Tests für jede Schrift betrachten, nicht den durchschnittlichen Endwert. Nötig sind identische Aufgaben auf Englisch und in nichtlateinischen Sprachen, Vergleiche zwischen voller Präzision und komprimierten Konfigurationen sowie Prüfungen von Tokenisierung, gemischtem Text und der Beibehaltung des Antwortformats.

Solange diese Daten fehlen, lässt sich nicht sicher sagen, ob die neuen Varianten die Schwäche der vorherigen Version behoben haben. Die genannten 39 Sprachen zeigen die Breite der Abdeckung, doch der Rückgang auf 45,2 % erinnert an den Preis dieser Breite. Die eigentliche Frage lautet nicht mehr, ob eine Sprache unterstützt wird, sondern wie viel davon nach der Kompression übrig bleibt.

Wir haben zuvor untersucht, wie Unicode-Homoglyphen und ähnlich aussehende nichtlateinische Zeichen KI-Agenten in die Irre führen können. Dieser Aspekt ist besonders wichtig, wenn die Grenzen von PrismML bei mehrsprachigen Eingaben bewertet werden.