标签
本文提出了一种用于分析斯里兰卡议会辩论的三语主题建模框架，该框架利用基于LLM的文本提取和多语言嵌入来处理语码混杂文本，并在聚类纯度上优于传统方法。
本文研究了当分词与语言建模联合优化时所学习到的词元，比较了跨多种语言的无分词器方法，发现它们为自然语言处理生成了独特而高效的词汇表。
本文证明嵌入空间结构不存在理论上的多语言诅咒，表明所需的最小维度仅随语言数量呈对数增长，这意味着实证问题源于数据和训练条件。
本文定义并量化了RLHF训练的摘要模型中的情感漂移，提出了一个策略归因框架来识别原因，并引入了一种情感感知KL正则化方法来减少漂移。
一份博士研究计划，概述了用于多语言隐喻处理的统一端到端框架，整合隐喻检测、翻译评估以及利用语言学理论和大语言模型的联合建模。
本文评估了提示范围（单目标 vs. 家族范围）和示例相似性（随机、词汇、嵌入）对本地LLM在英语到罗曼语系和英语到日耳曼语系翻译质量的影响，发现专用机器翻译系统仍然表现更好，且嵌入检索带来适度的提升。
本文介绍了KyrgyzLLM-Bench，这是一个用于评估吉尔吉斯语大语言模型的基准测试套件，包含原生创作和翻译数据集，并对26个模型进行了系统评估。
本文探讨了基于翻译的微调作为低资源语言本地语言BERT模型的资源高效替代方案的可行性，发现在六项NLP任务中，53.3%的情况下其性能相当或更优。
本文提出了一种具有文化敏感性的负责任自然语言处理框架，用于检测孟加拉语等低资源语言中的健康错误信息，并评估了诸如Phi-4等小型语言模型在声明提取中的表现。
本文系统量化了20种非洲语言在11个前沿和开源分词器上的分词惩罚，发现推理成本和延迟最高可达8.9倍，有效上下文窗口仅为英语的11%，突显了子词词汇表中编码的结构性数字鸿沟。
本文研究了字节级语言模型中训练规模与UTF-8生成可靠性之间的关系，发现UTF-8有效性收敛的速度比困惑度大约慢一倍。作者引入了用于隔离结构有效性的评估协议，并表明可靠的UTF-8生成是一种需要单独评估的独特能力。
本文介绍了资源密度指数（RDI），并利用LLM辅助的引文挖掘揭示，许多语言在目录记录中看似数据贫乏，但在研究文献中却有大量的数据集活动，凸显了低资源多语言NLP中的可见性不对称。
本文介绍了一个数据高效的微调框架，用于教授推理模型有效地进行代码切换（混合使用多种语言），证明了战略性的代码切换可以提升低资源语言的推理能力。该工作分析了大型语言模型在不同语言、任务和领域中的代码切换行为，并开发了促进有益代码切换模式的干预措施。