本文通过大量实证研究探索了多语言大型语言模型在涉及语种切换的情况下情感分析、机器翻译和单词级别语言识别等任务的表现。研究显示，虽然这些模型在使用零 / 少量提示时在某些任务中表现出色，但与较小的微调模型相比，它们的性能仍然有所不适。因此，研究者认为未来需要进一步研究来完全弥合这一差距。
May, 2023
本篇综述论文全面分析了大型语言模型的架构及其分类、训练策略、训练数据集和性能评估，并讨论了未来的研究方向，最后总结了大型语言模型研究的重要发现和关键的架构和训练策略。
Jul, 2023
综述着重探究语言模型的历史背景、发展过程、因素、原理、现有工作的局限以及未来发展方向，为广大读者提供一个可理解的综合概述。
Feb, 2024
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
通过构建两个数据集，将 LLaMA 和 BLOOM 的多语言能力扩展到 100 种语言，并使用 DPO 算法对 LLMs 进行与人类反馈的对齐，实现了对 100 种语言的支持，从而定义了最新的、支持 100 种语言的多语言 LLMs 的最新技术。
Jun, 2024
多语言大型语言模型在自然语言处理领域的研究人员和从业者中广受欢迎。本文介绍了多语言大型语言模型的技术方面，并对其底层架构、目标函数、预训练数据来源和分词方法进行了概述。此外，还探讨了不同模型类型的独特特征，包括仅编码器模型、仅解码器模型和编码器-解码器模型。同时，还讨论了多语言大型语言模型的一个重要局限性，即多语言之间的相互影响问题，并探究了克服这一问题的当前尝试。
本研究解决了多语言大型语言模型在非英语输出中自然性不足的问题。通过引入新颖的自动语料库水平评估指标，评估了当前先进模型的词汇和句法自然性，并提出了一种有效的方法来提高目标语言的自然性。结果表明，模型在多语言环境中自然性的提升具有显著影响。
Oct, 2024
本研究针对当前多语言大型语言模型（LLMs）在非英语语言中自然性不足的问题，提出了新颖的自动语料库级别评估指标，用以考量多语言LLM输出的词汇和句法自然性。研究发现，大型语言模型在法语和中文中普遍表现出英语影响的模式，并提出了一种简便有效的对齐方法，以提高其在目标语言和领域的自然性，且不影响其在通用基准测试中的表现。
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。