标签
本文系统研究了基于扰动的持续预训练（CPT）在提升多语言大语言模型零样本方言鲁棒性方面的作用，比较了德语、意大利语和阿拉伯语中的六种训练条件。研究发现，字符级噪声CPT是最有效的通用策略，并揭示了不同扰动方法会引发不同的鲁棒性机制。
微软研究院推出了Paza语音手册，这是一份交互式指南，用于为低资源和多语言语言构建稳健的语音技术，涵盖数据收集、模型训练、部署和评估。配套视频介绍了该手册，并演示了如何应用经过验证的实践。
本文介绍了MSRT，一个采用资源感知的语音编码器混合体（MoSE）的框架，以克服多对多语音到文本翻译中的多语言诅咒。该4B参数模型在45种语言上取得了最先进的结果，特别是在每种语言仅有10小时配对数据的情况下显著改善了低资源语音翻译。
本文介绍了MERaLiON-GR，一个面向英语和东南亚语言的语音性别识别模型，基于MERaLiON-SpeechEncoder-2，使用LoRA和ECAPA-TDNN头部进行微调，在多语言基准上取得了最先进的性能。
本文研究MGSM上原生语言与翻译之间的多语言推理差距是否是输出token预算的伪影。作者表明，在不同的硬性上限下，测得的差距显著波动，并且长度归一化可以逆转策略排序，因此得出结论：在评估中应将输出上限视为一个独立变量。
本文研究了同策略Delta蒸馏（OPD^2）在英语、韩语和日语中的多语言数学推理，显示其相对于标准OPD的一致改进，并缩小了语言差距。
论文比较了27种跨语言对齐（CLA）分数变体，用于预测LLM在多语言分类和翻译任务上的性能，并提出了一种基于PMI的翻译指标。研究发现，与英语的CLA对翻译质量的预测能力与源语言-目标语言CLA相当或更好，支持了LLMs使用英语作为内部枢轴语言的观点。
本文首次对OpenAI隐私过滤器（OPF）——一个15亿参数的个人身份信息（PII）检测器——进行了独立的系统性评估，涵盖22种语言、5个领域的42个基准，并与Presidio、GLiNER、GPT-4o和XLM-RoBERTa进行了比较。主要发现包括：OPF在结构化合成PII上表现强劲，但在非拉丁文字和叙事性散文中性能严重下降。
作者开源了 SarasFlow，这是一个 AI 流水线，能够根据主题生成教育视频：编写脚本、生成旁白、制作视觉内容、添加字幕并组装最终视频，所有组件都是模块化且可替换的。
本文介绍了对 NVIDIA 的 Nemotron 检索栈进行的端到端适配，使其适用于现代希腊语，包括新基准 HERA，以及在专业领域针对检索、重排序和有依据的生成进行微调的模型。
介绍NOLLI，一个程序化生成的英语-韩语谜题基准，用于诊断LLM性能差距，包含15种谜题类型和校准难度，揭示书写系统密集型任务表现出显著的性能差距。
K-EXAONE 2.0 是 LG AI Research 推出的开源权重多语言 MoE 基础模型，总参数达 750B，激活参数为 37B，支持 10 种语言和 256K 上下文，在智能体编码、长上下文理解和安全性方面均有显著提升。
本文介绍了BPE引导插入，用于对字节级BPE模型进行事后分词器适配，在保持词汇表大小固定的同时保留大多数token-ID分配。该方法将乌克兰语的token数量减少约33-36%，同时将对英语和其他欧洲语言的影响降至最低。
介绍了OSCD，一种后训练算法，用于改进低资源东南亚语言中的原生多语言思维链推理，在数学基准上实现了高达3.2倍的提升。
作者开源了 SARAS，一个 AI 视频平台，能从简单主题生成完整视频（脚本、配音、画面、剪辑、字幕），支持 24 种语言和多种风格，包含后端功能如认证、支付和 270+ 测试。
ChronoLens是一个框架，利用多语言语言模型和crosscoders测量五个议会传统（1803–2026年）中4498万篇文档跨语言层面的历史语言变化，表明变化幅度和方向在不同语言和不同时间会有所不同。
M3-DuplexBench is a new multi-turn, multilingual, multidomain benchmark for evaluating full-duplex spoken dialogue systems, supporting English and Japanese across casual conversation and question answering domains.
作者使用AI将其应用Popsicle Boat翻译成23种语言，依靠自己的德语水平在发布前抽查质量，并分享了关于信任AI进行本地化的经验教训。
LG AI研究院在Hugging Face上发布了750B参数规模的开源AI基础模型'K-EXAONE 2.0'。该模型采用Apache 2.0许可证，可商业使用，支持多语言，性能与国际领先模型相当。
Fish Audio 已将其 S2.1 Pro 语音克隆服务免费开放一个月，支持10-15秒语音克隆、约90毫秒响应时间、83种语言、单词级控制，以及开放权重模型，成本仅为 ElevenLabs 的六分之一。