一、文章主要内容总结本文聚焦低资源语言（以卢森堡语为例），探究大型语言模型（LLMs）是否真正掌握语言语法，而非仅依赖表层翻译模式。核心内容如下：研究背景：现有NLP领域缺乏系统的语法评估协议，低资源语言相关研究尤为匮乏；LLMs的翻译性能常以流畅度和语义准确性衡量，但无法反映其对目标语言语法规则的遵守程度，且其语法理解能力（尤其是句法与语义的映射关系）存在争议。核心方法：提出“语法书引导（Grammar-Book–Guided）”的评估 pipeline，包含四个关键模块：材料检查器（Material Inspector）：从语法书中提取语法现象和错误模式；表述工作室（Phrasing Atelier）：提炼语法内容，生成受控语言对句子；双生锻造器（Twin Forge）：反向验证并构建语法理解评估的最小对句；验证平台（Proof Stand）：设计四类语法任务（句子-多语法匹配、语法-多句子匹配、多句子-多语法匹配、最小对句正误判断）评估模型语法能力。实验设计：构建包含673个语法点、2040个例句的数据集（MIXED），结合FLORES200和长句数据，选取GPT-5、Gemma、Llama、Qwen系列等主流模型，采用CometScore、spBLEU、ChrF++等翻译指标及准确率评估语法任务表现。关键发现：翻