多语言大模型能够生成比喻性表达，但这些行为背后的内部信号究竟是每种语言各自独有，还是可以在语言之间共享复用，此前并不清楚。刘林峰等四位作者提交的预印本《Cross-Lingual Steering for Figurative Language Generation》尝试用激活引导（activation steering）作为探针来回答这一问题，论文于2026年5月28日提交至arXiv，归类为计算与语言（cs.CL），全文共40页、含7幅图。
研究方法的思路较为直接：在某一语言中，通过对比比喻性表达与字面表达之间的激活差异，估计出对应某一比喻类别的方向向量，然后在模型生成时施加这一方向。作者在五种比喻类别、六种语言和四个多语言大模型上进行了系统实验，从而覆盖了类别、语种与模型规模三个维度。
结果首先表明，这些方向在各自语言内部能够可靠地引导生成，其中隐喻（metaphor）和明喻（simile）的效果最为稳健，说明某些比喻类别在模型内部具有更清晰、更易分离的表征。
更关键的发现是跨语言迁移：在一个语言中学习到的方向，被应用到另一种语言时同样能够提升目标比喻行为。作者指出，德语是接受度最高的目标语言之一。这意味着模型内部可能存在某种与具体语言相对独立的比喻性表达信号。
研究还进一步检验了方向向量的组合效应。由其他语言的方向组合而成的引导向量，可以达到甚至超过目标语言自身原生方向的效果；而一旦移除这一共享成分，原生语言内的引导效果就会被削弱。这为“存在可复用但依赖目标语言的跨语言信号”提供了直接证据。
从意义上看，这项工作把可解释性中的激活引导方法用于多语言比喻生成，既揭示了多语言模型内部表征的共享结构，也为跨语言风格控制提供了潜在手段。作者同时强调该信号并非完全语言无关，其效果受目标语言特性影响，这为后续研究留下了关于语言间差异来源的问题。论文的完整方法细节、实验设置与结果分析可在arXiv页面获取，包括PDF、实验性HTML版本以及TeX源码。