标签
Orange Research 推出了针对沃洛夫语适配的 Qwen 开放权重模型，参数规模从 6 亿到 140 亿不等，采用了指令微调、偏好对齐和模型合并技术。沃洛夫语的使用者约有 2300 万。这些模型在沃洛夫语任务上的表现可与规模大得多的商业系统媲美，目前正在客户服务场景中试点部署，相关数据和模型权重均已公开发布。
ELARSpeech 推出了一个包含 30,202 小时语音、涵盖 675 种代表性不足语言的数据集，数据精选自濒危语言档案库，同时提供训练好的自动语音识别（ASR）和文本转语音（TTS）模型以及完整的数据处理流程，以推动长尾多语言语音技术的发展。
该论文对八个闭源和开源大模型在英文与孟加拉语XL-Sum测试集上的零样本抽象摘要能力进行了标准化评测，结合词法、语义指标、事实性验证和LLM-as-a-Judge评估，发现英文表现优异并不自动迁移到低资源语言，且不同评估方法产生不同的模型排名。
文章探讨了大型AI模型在小语种和地方方言上的表现不佳问题：训练数据不足导致翻译生硬怪异，并可能把用户推向主流语言。文章提出AI公司是否应承担支持小语种的责任，即使缺乏商业回报。
论文提出 HexaBee-4B，一个基于 Gemma3 4BIT 通过三阶段训练（维基百科持续预训练、多语言问答与答案翻译联合训练、双向翻译专业化）改编的六语种翻译模型，在阿拉伯语、中文、英语、希伯来语、波斯语和西班牙语全部 30 个翻译方向上相比基线均有 chrF++ 提升。
该论文提出 Language-Aware Skeleton Exploration Framework (LASEF)，系统研究多层数学推理中骨架提示语言的选择问题，发现英语骨架平均略有优势但并非普遍最优，骨架语言是一个依赖上下文的设计变量。
该论文介绍了sk-bench，一个用于评估斯洛伐克语大语言模型的母语优先基准测试，涵盖十个技能类别的30个数据集（33个任务变体），旨在解决现有多种语言基准测试中缺乏斯洛伐克语母语覆盖的问题。
该论文提出了 Multilingual GSM-Symbolic，一个覆盖 15 种语言、包含 30k 条题目匹配的问答对的符号模板数据集，用于量化大语言模型跨语言能力迁移的决定因素。研究发现，模型规模、语言资源水平、推理能力和类型学距离是关键驱动因素，并提出了一个能解释 92% 语言间差异的框架，其对未见语言性能的预测误差在 6.0 个百分点以内。
TutlAit v1 提供了一个众包的摩洛哥 Tamazight 语音数据集，包含 13,384 个音频文件（约 20.9 小时），并配有现代标准阿拉伯语转写和区域口音标签。该数据集通过一个专门构建的 Web 应用程序收集，面向低资源语音技术研究。
这篇立场论文提出了「模型即库」（Model as a Library，简称 MaaL）这一软件架构，它将小型、由社区招募数据训练而成的语音模型打包为带版本管理的设备端依赖项，用于低资源非洲语言场景下离线且无幻觉的数据采集。论文提出利用关键词识别，将封闭词表的数字表单转变为面向识字率较低人群的语音化、设备端数据采集流程，并将现有的表单工具转译为 MaaL 模式。
本文评估从语言模型表示中提取的情感概念方向在不同数据划分间复现的可靠性，比较了 English、Hausa 和 Yoruba 在四种语言模型上的表现。结果发现方向一致性存在稳定的语言排序（English > Hausa > Yoruba），并表明高探针分类准确率并不意味着方向一致性；不过，文中并未将 tokenizer fertility 确立为造成这一现象的原因。
本文评测了Transformer模型在Bangla医疗命名实体识别任务上的表现，结果显示，经过微调的XLM-RoBERTa模型取得了最优性能，超越了语言特定模型，突显了在资源稀缺场景下领域多样性的重要性。
EnSiTa 是一个支持英语、僧伽罗语和泰米尔语的三语多领域平行数据集和基准，包含人工后编辑的训练数据，并进行了大量领域特定机器翻译的实验，以应对低资源语言的挑战。
本文审计了多语言情感生成基准测试，揭示系统排名由测量伪影而非真实性能差异驱动，标注者变异性在其中扮演关键角色。
论文介绍了 BanglaTurn，这是一个用于 Bangla 语音回合结束检测的基准语料库和基于 Whisper 的模型，实现了 84.33% 的准确率，而基线为 69.28%。
BanglaKontho 推出了一套20小时单说话人孟加拉语TTS语料库，源自专业有声读物，并配备开源文本归一化器和预处理管道，旨在解决低资源孟加拉语语音合成中长篇韵律的不足。
本文介绍了COILD，这是一个以印度语言为中心的平行语料库，包含超过116万对句子，覆盖20对印度语言，并提供了一个以领域为中心的基准。研究结果表明，在微调多语言模型时，机器翻译性能得到了显著提升。
本文介绍了VākQA，一个泰卢固语口语事实问答基准，并使用自动化和人工评估方法评估模型，以应对低资源语言挑战。
墨尔本大学提交了一个针对低资源太平洋克里奥尔语（如Tok Pisin、Bislama和Solomon Pijin）的领域平衡机器翻译模型，在WMT 2026 CreoleMT共享任务中，以超过3个chrF++点的优势超越了开放基线模型。
本文评估了公开可用的低资源语言语音资源的重用性，重点以中部库尔德语为案例进行研究。