sinhala

本文提出了一种面向低资源僧伽罗语-英语神经机器翻译的无参考幻觉检测框架，构建了包含45,000个样本的合成腐蚀数据集，并通过对mDeBERTa-v3进行微调，在八个神经机器翻译系统的基准测试中实现了0.841的词元级F1分数。

本文提出了首个面向僧伽罗语连声（Sandhi）切分的神经网络基准任务，采用字符级 seq2seq 模型在 SandhiLex 数据集上进行实验，其中双向 LSTM 编码器在困难的词汇化/派生性连声上达到 68.40% 的完全匹配准确率，而在规则性的词缀切分案例上则达到 94%。

本研究探讨了从僧伽罗语到迪维希语的跨语言迁移学习在自动语音识别中的应用，与仅使用迪维希语的基线相比，词错误率显著降低。

本文介绍了 sinhala-ocr-lk-acts-1010，这是首个公开可用的真实场景页面级僧伽罗语OCR数据集，并使用QLoRA对三种视觉语言模型（DeepSeek-OCR V1、DeepSeek-OCR V2、LightOnOCR-2-1B）进行了微调。LightOnOCR-2-1B实现了1.05%的字符错误率（CER），优于开源和商业OCR模型，并在不同时期的退化文档中保持了稳定的性能。