金融机构在多语言市场中日益采用大语言模型（LLM），但实际问题是：在英文环境下开发并验证的流水线能否直接迁移到其他语言，还是必须为每个语言重新构建？本文围绕准确性、推理努力转移和行为稳定性三个维度，设计了三项互补任务进行评估。
任务1：支票信息抽取。任务2：Mintaka问答（固定证据），覆盖九种语言和九种模型‑努力配置，检验准确性和努力设置是否可转移。任务3：FinanceBench 试点，选取SEC 10‑K文件中的50道题，覆盖四种语言，验证上述模式在金融内容上的通用性。
结果显示，准确性可复用性总体成立。Gemini 3.5 Flash 在不同提示语言下的抽取准确率保持在95.2%‑97.6%；FinanceBench 各语言平均得分相差5.8个百分点（77.1%‑82.9%），但语言难度排序在两个领域出现逆转——Hindi 在Mintaka表现最差，却在FinanceBench 达到最高的82.9%。
推理努力的可复用性呈现领域依赖性：在通用知识问答中提升推理深度仅带来边际提升，而在金融内容上可提升至8个百分点；在英文中有效的努力配置在其他语言中同样呈比例提升。
行为稳定性方面，跨语言的引用集合与英文的Jaccard相似度平均为77%‑79%，且没有单一语言持续表现更差。
综合来看，英文构建的流水线可以在一定程度上复用，但仍需针对特定领域和语言进行验证——语义相似度或模型自报置信度并不能可靠预测跨语言准确性。
点评：本文提供了系统化的跨语言复用评估框架，证明了在金融场景下英文流水线的可迁移性，但也提醒实践者在部署前进行细粒度的语言‑领域校准。