该研究分析了多语言大型语言模型（MLLMs）的关键问题，包括语言不平衡、多语言对齐和固有偏差，探讨MLLMs的全球语言表示能力、偏见和挑战，并提出了有前景的研究方向。

Apr, 2024

通过研究204种语言的多语言大型语言模型（MLLMs）在不同语言上的表现，考察了预训练数据大小、资源可用性、语言家族和脚本类型等因素对模型性能的影响，并发现对于已知语言来说，预训练数据大小是最重要的因素，而对于未知语言来说，脚本类型和语言家族至关重要。模型大小和结构并不显著改变最重要的特征，这些研究结果为当前MLLMs的优势和局限性提供了有价值的见解，并希望指导更有效、公平的多语言自然语言处理系统的开发。

Apr, 2024

对大型语言模型（LLMs）在多语种环境中的应用进行了综述，包括训练和推理方法、模型安全性、多领域与语言文化、数据集使用，同时讨论了相关方面的主要挑战和潜在解决方案，并提出了进一步增强语言模型的未来研究方向。

May, 2024

在大型语言模型（LLMs）时代，构建能够为全球用户提供服务的多语言大型语言模型（MLLMs）具有重要意义。然而，现有研究很少关注MLLMs的真实性。同时，当代多语言对齐技术在平衡大量语言方面常常存在严重的真实性差距，特别是那些与英语差距较大的语言。在我们的工作中，我们构建了一个用于多语言场景下真实性评估的基准，并探索了跨语言对齐事实以增强MLLMs真实性的方法。此外，我们提出了面向事实感知的多语言选择协同（FaMSS），以优化大量语言和不同数据类型之间的数据分配。实验结果表明，我们的方法可以有效减少多语言表示差异并增强LLMs的多语言能力。

Jun, 2024

基于大规模语言模型和多模态语言模型的数据与模型共同发展，通过数据的贡献提升多模态语言模型的性能，同时多模态语言模型也促进了数据的发展，为多模态语言模型社区提供了数据与模型共同发展的视角。

Jul, 2024

本文研究了大语言模型（LLMs）在多语言环境中的探测技术，解决了现有探测主要集中于英语的问题。通过对多个开源LLM模型的实验，发现高资源语言与低资源语言之间存在明显的性能差距，并强调了改进低资源语言建模的必要性。

Sep, 2024

本研究解决了多语种大型语言模型（MLLMs）实际实施指南缺乏的问题，提供了一个全面的开发和部署框架。通过对Llama2的案例研究，提出了优化多语种能力的策略，并深入分析了实施过程中的技术、语言和文化视角。研究发现88.38%的世界语言被归类为低资源，影响超过十亿使用者，强调了对语言多样性的支持的重要性。

Oct, 2024

本文系统性综述了多语言大语言模型（MLLMs）的最新研究，填补了对其架构、预训练目标和评估标准的知识空白。研究表明，数据的质量和多样性对提升MLLM性能至关重要，同时提供了多语言评估基准，并探讨了这些模型在实际应用中的创新和挑战。

Nov, 2024

本研究针对多语言大型语言模型（MLLMs）的最新研究进行了全面的调研，填补了现有文献中关于多语言模型构建与评估的空白。文章提出了构建高质量的多语言预训练和对齐数据集的关键方法，并重点讨论了MLLMs在跨语言知识、推理和安全性方面的评估途径。研究结果表明，MLLMs在多个领域的应用潜力巨大，同时也面临着语言偏见和可解释性等挑战。

Nov, 2024

本研究针对个性化多模态大语言模型（MLLMs）存在的研究空白，提供了全面的综述，重点讨论其架构、训练方法和应用。我们提出了一种直观的分类法来归纳个性化MLLMs的技术，并指出这些技术的组合或调整策略，强调其优势及基本原理，旨在为相关研究和实践人员提供有价值的参考资料。

Dec, 2024