就在我的水平上：用于熟练程度感知文本简化的统一多语言框架

文本简化通过提供与输入假设一致的可理解输入来支持第二语言 (L2) 学习。然而，构建个性化平行语料库的成本很高，而现有的基于 大语言模型 (LLM) 的可读性控制方法依赖于预先标记的句子语料库，并且主要针对英语。我们提出了 Re-RIGHT，一个统一的强化学习框架，用于在没有并行语料库监督的情况下进行自适应多语言文本简化。我们首先表明，即使使用最先进的 LLM（例如 GPT-5.2 和 Gemini 2.5），目标熟练程度（CEFR、JLPT、TOPIK 和 HSK）的基于提示的词汇简化在较简单的水平和非英语语言中表现不佳。为了解决这个问题，我们收集了四种语言（英语、日语、韩语和中文）的 43K 词汇级数据，并使用 Re-RIGHT 训练了一个紧凑的 4B 策略模型，该模型集成了三个奖励模块：词汇覆盖率、语义保留和连贯性。与更强的 LLM 基线相比，Re-RIGHT 在目标熟练程度下实现了更高的词汇覆盖率，同时保持了原始含义和流畅性。