冷门新语言AI写不动？IEEE论文：从零到及格线，MoonBit给出完整训练路线

宗恩 投稿 
量子位 | 公众号 QbitAI

对于Python、Java、JavaScript这些语言，大模型通常能给出相当成熟的答案。

但如果换做小众的、样例不足的年轻语言呢？

大模型到底是真的掌握了通用编程能力，还是更擅长那些在训练数据里出现过无数次的语言？

一篇新论文把这个问题拉到了台前。

论文题为《No  Resource, No Benchmarks, No Problem? Evaluating and Improving LLMs for  Code Generation in No-Resource Languages》，已在arXiv发布，并标注被IEEE  Transactions on Software  Engineering接收。研究对象不是Python、Java这类高资源语言，而是两门较新的语言：MoonBit和Gleam。

论文作者来自瑞士USI Software Institute/SEART研究组和西班牙塞维利亚大学SCORE Lab/I3US Institute。SEART长期研究软件分析、开发者推荐系统和AI4SE，这让这项工作更接近一次来自软件工程研究界的外部评估。

论文把它们称为no-resource programming languages，可以理解为“无资源编程语言”。

这里的“无资源”，不是说语言本身能力不足，而是指它们太新，公开代码、教程、问答和项目样例还不够多，大模型在预训练阶段很可能没有充分见过它们。

注：本篇论文统计数据时节点为24年，MoonBit截止26年6月语料相对丰富

换句话说，这篇论文问了一个现实问题：

如果一门语言还没有被互联网语料充分覆盖，大模型还能写好它吗？

答案是：一开始很难。

但更重要的是，论文也展示了另一件事：新语言并不是只能等待大模型自然学会。只要有足够清晰的语言设计、文档、代码和工具链，它可以被系统性地教给大模型。

编程语言被放进了新语言考场

论文构建了三个代码生成benchmark：HumanEval、MBPP和McEval-Hard。

测试方式很直接：给模型自然语言描述和函数签名，让模型补全函数实现，再用测试用例判断是否正确。

评价指标主要是pass@1。

也就是模型只有一次生成机会。一次写出的代码能通过测试，就算成功；否则失败。

论文对比了三类语言：

• 高资源语言：Python、Java。
• 低资源语言：R、Lua、Haskell、Julia、Racket。
• 无资源语言：MoonBit、Gleam。

参与评测的模型包括GPT-4o、o3-mini、Qwen  2.5 Coder、Qwen  3等。论文说明，HumanEval和MBPP被翻译到MoonBit和Gleam，McEval-Hard则基于McEval中的hard  tasks构建，最终形成跨语言比较用的函数级代码生成任务。

△论文中对不同语言GitHub仓库规模和资源类型的划分

零样本几乎失灵

结果并不意外，但很有代表性。

在Python、Java这类高资源语言上，大模型表现依然很强；在低资源语言上，表现有所下降但仍可用；但到了MoonBit和Gleam这样的新语言，零样本代码生成能力明显下滑。

尤其是在更难的McEval-Hard上，高资源语言的pass@1大约在59%到89%之间，低资源语言大约在27%到84%之间，而无资源语言只有0%到1%。论文还指出，无资源语言在多个模型和benchmark上的表现通常处于0%到20%之间，平均约9%。

△零样本设置下，不同模型在不同语言上的pass@1对比

更关键的是，失败原因不只是“算法没想明白”。

论文分析发现，在Gleam和MoonBit上，大量失败来自语法错误。也就是说，模型经常连合法代码都生成不出来。

这并不说明MoonBit不行。

更准确地说，是模型还没有真正学过MoonBit。

大模型写Python很稳，很大程度上是因为它见过太多Python。MoonBit作为一门年轻语言，公开语料规模远小于成熟语言，因此天然更适合用来观察一个问题：

AI时代的新编程语言，如何被模型学习和理解？

临时给示例有用，但不够

论文先测试了两种常见方法：few-shot和RAG。

few-shot是在prompt中放入几个MoonBit代码示例，让模型模仿。

RAG是从MoonBit文档中检索相关内容，放进prompt中，让模型参考。

这两种方法都有提升。论文观察到，few-shot通常比RAG略好：在MoonBit的12组比较中，few-shot有8组优于RAG。作者推测，面对陌生语言时，模型从代码示例中抓语法，往往比从文档片段中理解规则更直接。

但这类方法的上限也很明显。

临时把几段代码或文档塞进prompt，只能补一些语法知识，很难让模型真正掌握语言本身。

继续预训练：让模型真正学会

真正有效的是继续预训练。

简单说，就是不再让模型临时查资料，而是直接用MoonBit代码和官方文档继续训练模型。

论文中，MoonBit的继续预训练数据包括约1310万code tokens和60万documentation tokens，总计约1370万tokens；相比之下，可用于fine-tuning的MoonBit数据只有约50万tokens。

△论文中用于MoonBit/Gleam的预训练与微调数据规模

结果明显提升。

以Qwen 2.5 Coder 32B Base为例，继续预训练之后，模型在MoonBit上的pass@1达到：

• HumanEval：41.62%
• MBPP：44.76%
• McEval-Hard：25.86%

也就是说，从几乎不会写，到能在相当一部分任务上写出可通过测试的代码，MoonBit可以被模型系统性学会。

指令迁移：既懂编程语言，也听懂开发者

不过，继续预训练还没有解决全部问题。

它能让模型学会语言知识，但不一定让模型更擅长遵循用户指令。而真实的AI编程助手，不只是续写代码，还要能理解开发者需求，比如解释类型错误、重构代码、补测试、根据反馈修改实现。

所以论文进一步使用了instruction transferring。

它的思路是：先用MoonBit代码和文档让base model学会MoonBit；再把instruct model的“指令跟随能力”迁移到已经学过MoonBit的模型上。

这样得到的模型，既懂MoonBit，又更像一个能对话、能听懂需求的编程助手。

这一方法给出了论文中最强的MoonBit结果：在Qwen 2.5 Coder 32B上，instruction transferring后，MoonBit的pass@1达到：

• HumanEval：50.71%
• MBPP：53.04%
• McEval-Hard：32.60%

尤其是最难的McEval-Hard，MoonBit从零样本接近0，提升到了32.60%。

△进一步预训练与instruction transferring的效果对比

这组数字背后有一个关键信号：新语言的AI支持，不一定只能等待更大的通用模型自然覆盖。通过高质量代码、官方文档、benchmark和合适的训练方法，可以主动构建。

观察价值：让模型更容易学会新语言

这也是MoonBit值得观察的地方。

MoonBit官方将其定位为面向云和边缘计算的AI-native编程语言工具链，支持wasm、wasm-gc、js和native后端，并支持在一个模块中构建混合后端项目。官方文档还将更小的WASM输出、更快运行时性能、先进编译性能，以及简单实用、面向数据的语言设计列为主要优势。

对AI编程来说，这一点很重要。

因为AI写代码不是一次性生成文本，而是一个循环。语言设计越清晰，工具链反馈越完整，这个循环就越容易自动化。

MoonBit的AI-native设计也体现在语言结构上。其官方博客曾讨论过flattened  design：明确区分toplevel和local definitions，toplevel  definitions强制类型签名，并采用structural interface  implementation，减少额外嵌套代码块。博客还提到，这种减少嵌套的设计不只提升可读性，也更KV-cache  friendly，有利于RAG、decoder correction、backtrack等场景下的模型推理效率。

对开发者来说，这意味着更清晰的代码组织；对模型来说，则意味着更适合线性生成。模型不用在复杂嵌套结构里频繁来回跳转，上下文组织更稳定，生成错误也更容易被工具链及时发现。

过去评价一门编程语言，通常看性能、语法、类型系统、标准库、工具链和生态等。到了AI编程时代，还要多一个维度：模型是否容易学会这门语言。

这篇论文的价值也正在于此。它不只是指出“大模型不会天然写新语言”，更重要的是给出了一条可执行路径：先构建benchmark，知道模型哪里不会；再利用真实代码和官方文档继续训练，让模型掌握语言；最后通过instruction  transferring，把指令跟随能力迁移回来。

MoonBit在这条路径中的表现说明，AI-native编程语言不只是一个概念，而是可以体现在模型学习效率、代码生成质量和工具链闭环中的工程优势。

大模型写Python很强，是因为它见过太多Python。大模型一开始不熟悉MoonBit，是因为MoonBit足够新。但当模型真正接触MoonBit的代码、文档和语言设计之后，它可以快速提升。

这也许正是AI时代新语言生态的核心问题：

不是等待模型某一天自然支持你，而是从语言、文档、工具链和数据开始，让模型更容易理解你。

MoonBit提供了一个值得观察的样本。

论文标题：《No Resource, No Benchmarks, No Problem? Evaluating and Improving LLMs for Code Generation in No-Resource Languages》
链接：https://arxiv.org/abs/2606.16827
MoonBit相关数据来源：swe-agi （https://arxiv.org/abs/2606.16827）