HSKBenchmark: Modeling and Benchmarking Chinese Second Language Acquisition in Large Language Mod...

文章核心总结与翻译

一、主要内容

本文针对大型语言模型（LLMs）在汉语第二语言习得（SLA）中的分阶段建模与写作评估需求，提出首个基准测试套件HSKBenchmark。该套件涵盖HSK3-6级的676万词级教材数据、1.6万条合成指令数据及30个真实HSK写作测试话题，通过课程调优框架模拟人类从初级到高级的习得轨迹，并构建包含语法点覆盖、写作错误、词汇复杂度等五个维度的语言评估体系，配套开发HSKAgent实现自动化评估。实验验证显示，经调优的LLMs写作表现比肩高级汉语学习者，且呈现类人习得特征，为语言习得建模与LLMs可解释性研究提供基础工具。

二、创新点

1. 首次构建汉语第二语言习得的分阶段基准测试套件，填补现有评估缺乏层级化数据与动态评估能力的空白。
2. 提出课程调优框架，按HSK等级循序渐进开展预训练与指令微调，精准模拟人类第二语言习得轨迹。
3. 设计多维度语言评估体系，结合HSKAgent实现语法检测、错误识别、分数预测等自动化评估，达成与人类评分员的高一致性。
4. 验证了LLMs在汉语（孤立语）习得中的类人特征，为跨语言类型的习得建模提供新视角。

---

三、核心部分翻译（Markdown格式）

Abstract

语言习得对于揭示人类语言智能的本质至关重要，近年来已成为提升大型语言模型（LLMs）可解释性的重要视角。然而，开展需要控制人类学习者语言输入的实验在伦理和