驱动多语言嵌入模型中跨语言检索不对称的是中心性，而不是各向异性

多语言嵌入模型是在跨语言检索对称的假设下部署的：如果语言 A 的查询检索到语言 B 的翻译，则反之亦然。但实际上并非如此。使用英语、孟加拉语、印地语和阿拉伯语的 6,518 个惯用语和谚语表达的并行语料库，并由五个生产级编码器（Gemini、Mistral、OpenAI-L、OpenAI-S、Qwen）嵌入，我们将这种失败形式化为相互最近邻互惠性的缺陷，并测试单一的机械主张：在多语言空间的几何病理学中，中枢性，而不是各向异性、质心漂移或的大小，是主要的因果驱动因素。在预先指定伪造条件的五个预先注册的实验中，集线器质量在互易性联合回归中占主导地位（49.5％的主导份额，下一个预测因子的 1.68 倍；部分 R^2 = 0.302 与各向异性的 0.003），而集线器感知分数校正（CSLS）则缩小了最差到最佳互易性差距的 63.5％，并产生平均模型内效应尺寸比外科中心矢量消融大 130 倍。后一个对比明确了机制：集线器性是相似性度量的病态，而不是单个集线器向量的病态。我们通过证明两者在统计上是可分离的来解决众所周知的各向异性-中心度悖论，并且我们建议用 CSLS 替换余弦相似度作为多语言嵌入管道的默认检索指标。