本研究通过利用双语词典的先验知识提供提示，提出了一种新的 DiPMT 方法，可以有效解决 LLM 在低资源机器翻译和领域转移情况下难以翻译生僻词的问题，并且实验结果表明 DiPMT 能够提高 LLM 的翻译性能。

Feb, 2023

通过零-shot的方法，我们探索使用大型语言模型ChatGPT，用于生成东南亚五种语言（印度尼西亚语、马来语、汉语、塔加洛语、越南语）和混杂语Singlish的混杂数据，结果表明ChatGPT显示了最大的潜力，并且InstructGPT的表现也值得我们关注，但由于单词选择错误而导致语义不准确。由此我们呼吁在类似的低资源NLP情境中谨慎应用类似技术。

Mar, 2023

本文介绍了新的提示方法（Error Analysis Prompting）, 结合 Chain-of-Thoughts 和 Error Analysis, 用于提高 ChatGPT 在机器翻译质量评估方面的性能，并发现了一些其作为 MT 评估器的局限性，结果表明，使用 Error Analysis Prompting，ChatGPT 可以在系统和段落级别上生成类似人类的 MT 评估。

Mar, 2023

本研究提出了一种针对相关语言即语言家族内具有相似语言特征的机器翻译的新方法，将翻译过程分解成单词块翻译的序列，并证明了该方法的有效性。

May, 2023

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

通过对比多个LLM模型，在机器翻译任务中，我们发现相对较简单的模型性能优于多语言大型语言模型，表明多语言大型语言模型在上下文代码切换方面的有效性受到训练方法的限制。与之相反，当相对较小的模型在定制的数据集上进行训练和微调时，可能会产生更好的结果。

Dec, 2023

通过研究生成式大型语言模型在机器翻译中的性能，我们发现多语言模型（如PaLM）在人工翻译输出方面表现出类似人类的水平，能够根据样式指南和语言要求优化所需的翻译细微差别，并在处理和应用提示上表现出色。我们还针对流行的语言模型作为机器翻译工具的错误和限制进行了分类和提出了设计提示进行上下文学习的方法。通过改进评估指标的准确性和可靠性，我们的研究旨在促进生成式大型语言模型在机器翻译中的进步。

Jan, 2024

将LLaMa适应于Kinyarwanda、Hausa和Luganda等低资源语言的提示设置是一种计算高效且成本效益的方法，优于翻译和LAFT，并在所有任务和语言上表现最佳。

Mar, 2024

本研究解决了大语言模型（LLMs）在非英语提示下代码生成质量存在的显著差距问题。提出了一种零-shot跨语言方法，利用神经投影技术将多语言嵌入映射到LLMs的令牌空间，从而有效提高了代码生成质量。研究结果表明，该方法在全球多语言编程支持方面具有重要影响，推动了更具包容性的代码生成环境。

Aug, 2024

本研究解决了大型语言模型在处理复杂和长上下文中的规则遵循不足的问题。提出了一种新型的多语言提示策略MLPrompt，它通过将模型难以遵循的规则翻译成另一种语言来增强模型的注意力。实验证明，MLPrompt在多个任务上超越了现有的最先进提示方法，具有重要的应用潜力。

Sep, 2024