DiM\textsuperscript{3}: Bridging Multilingual and Multimodal Models via Direction- and Magnitude-Aware Merging
Northeastern University, China（东北大学，中国）；CIS, LMU Munich, Germany（慕尼黑莱布尼茨大学计算机学院，德国）；Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML），德国）；Shanghai Jiao Tong University, China（上海交通大学，中国）
本研究提出DiM3方法，通过在共享语言模型骨干中融合残差更新，实现多语言和多模态能力的无缝整合，从而提升多语言性能并保持多模态能力。
2026-05-20 cs.CL
Bridging the Multilingual Safety Divide: Efficient, Culturally-Aware Alignment for Global South Languages
本文提出为全球南方低资源语言提供高效、文化感知的安全对齐方法，以解决现有安全机制在多语言环境中的失效问题。
2026-02-14 cs.CL
Understand, Solve and Translate: Bridging the Multilingual Mathematical Reasoning Gap
OneLineAI（万线智能）；Yonsei University（延世大学）
本文提出UST方法，通过将英语作为推理和生成锚点，并在130k合成数据上微调，有效弥合了多语言数学推理鸿沟，在HRM8K基准上提升10.91%并大幅缩小性能差距。
2025-01-31 cs.CL
EMCEE: Improving Multilingual Capability of LLMs via Bridging Knowledge and Reasoning with Extracted Synthetic Multilingual Context
Yonsei University（延世大学）
提出EMCEE框架，通过从LLM自身提取并融合语言特定知识，结合推理输出，显著提升多语言任务性能，尤其在低资源语言上平均提升31.7%。
2026-05-29 cs.AI cs.CL
Cross-Lingual Unlearning of Selective Knowledge in Multilingual Language Models
KAIST AI（韩国科学技术院人工智能学院）；Yonsei University（延世大学）
本文针对多语言语言模型中单语言遗忘无法跨语言迁移的问题，提出一种自适应遗忘方案，通过语言相关权重实现选择性跨语言知识擦除，在保持整体性能的同时提升安全性。
2024-10-03 cs.CL
Can LLMs Truly Forget? Revealing Unlearning Gaps Through Adversarial Evaluation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Microsoft Corporation（微软公司）
本研究针对TOFU数据集和Llama-3.2-3B-Instruct模型，引入ASR指标评估遗忘方法，发现标准指标表现优异的遗忘方法仍存在高对抗恢复风险，提出需补充对抗性压力测试作为遗忘评估的必要部分。
2026-08-25 cs.CL
Evaluating Cross-Lingual Unlearning in Multilingual Language Models
AI Virtual Assistant (AVA) Lab（人工智能虚拟助手（AVA）实验室）；Georgia Institute of Technology（佐治亚理工学院）
本文研究了多语言语言模型中的跨语言反学习，发现子空间投影方法在去除非训练语言事实方面表现最佳，揭示了权重空间几何结构对多语言遗忘的影响。
2026-01-10 cs.CL
Linguistic Loopholes in LLM Unlearning: From a 174-Language Benchmark to Coverage-Aware Unlearning
Johns Hopkins University（约翰霍普金斯大学）
针对LLM遗忘中的跨语言漏洞，提出语言预算多语言遗忘任务及COVER方法，通过选择源语言最大化覆盖率，在三个模型家族上显著降低残留访问。
2026-10-01 cs.AI cs.CL
Learn Globally, Speak Locally: Bridging the Gaps in Multilingual Reasoning
Massachusetts Institute of Technology（麻省理工学院）；Havard Univeristy（哈佛大学）；LG CNS；Université de Montréal（蒙特利尔大学）；Mila（米拉研究所）；Google（谷歌）；Stanford University（斯坦福大学）
本文提出M2A方法，通过多尺度对齐与语言一致性奖励提升多语言推理，并引入GeoFact-X基准，显著增强低资源语言推理保真度。
2025-09-26 cs.AI cs.CL cs.LG
Blessing of Multilinguality: A Systematic Analysis of Multilingual In-Context Learning
David R. Cheriton School of Computer Science, University of Waterloo（滑铁卢大学计算机科学学院）；Vector Institute（向量研究所）；Canada CIFAR AI Chair（加拿大CIFAR人工智能主席）
该研究针对多语言大模型在低资源语言上表现欠佳的问题，系统分析多语言上下文学习，发现混合高资源语言演示及多语言接触本身可提升效果，为缩小低资源语言性能差距提供了新思路。
2025-10-08 cs.CL
Tower+: Bridging Generality and Translation Specialization in Multilingual LLMs
Unbabel；Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico & Universidade de Lisboa (Lisbon ELLIS Unit)（里斯本大学技术学院及里斯本大学（里斯本ELLIS单位））；MICS, CentraleSupélec, Université Paris-Saclay（MICS，CentraleSupélec，巴黎萨克雷大学）
Tower+通过结合持续预训练、监督微调、偏好优化和可验证奖励强化学习的新训练方案，在保持多语言通用能力的同时实现顶尖翻译性能，并推出2B至72B规模模型，在多项基准上超越更大模型。
2025-06-20 cs.AI cs.CL
Between Suppression and Collapse: Evaluating Narrative Unlearning with LENS
Ukrainian Catholic University（乌克兰天主教大学）；Eindhoven University of Technology（埃因霍温理工大学）
研究大语言模型再现虚假叙事问题，引入LENS评估协议，通过实验评估两个叙事，涵盖四个模型，用SCE分数评估，发现选定检查点可减少叙事再现，有实体恢复副作用，证明LENS是成功的诊断协议。
2026-08-03 cs.AI cs.CL
DiscoTrack: A Multilingual LLM Benchmark for Discourse Tracking
Georgetown University（乔治城大学）
DiscoTrack是一个覆盖12种语言、四个话语理解层级的LLM基准，用于评估跨句、跨段和跨说话人的隐式信息整合与语用推理能力，实验表明这些任务对当前最先进模型仍具挑战性。
2025-11-08 cs.CL
Multilingual Gloss-free Sign Language Translation: Towards Building a Sign Language Foundation Model
Institute of Science Tokyo（东京科学大学）；NHK Science & Technology Research Laboratories（日本广播协会科学技术研究所）
针对多语言手语翻译中语言冲突与对齐困难的问题，提出一种基于双重 CTC 目标的多语言无词汇表模型，支持 10 种手语并处理多种翻译任务，在三大基准上取得与最先进方法相媲美的性能。
2025-05-30 cs.CL
Bridging Language Gaps: Enhancing Few-Shot Language Adaptation
IESEG School of Management（IESEG管理学院）；Research Centre for Information Systems Engineering（信息系统工程研究中心）；Department of Computer Science（计算机科学系）
本文提出CoLAP方法，通过对比学习与跨语言表示相结合，在少样本条件下实现高资源到低资源语言的高效知识迁移，并在自然语言推理和关系抽取任务上超越现有基线，显著缩小跨语言性能差距。
2025-08-26 cs.AI cs.CL
FAME: Fictional Actors for Multilingual Erasure
FAME通过多语言虚构数据评估机器去训练技术，支持实体级和实例级遗忘，提供受控环境以验证去训练方法的有效性。
2025-12-17 cs.CL
MERaLiON-AudioLLM: Bridging Audio and Language with Large Language Models
Institute for Infocomm Research (I2 R), A*STAR（新加坡资讯通信研究院（A*STAR））
本研究推出首款适配新加坡多语言文化的语音-文本模型MERaLiON-AudioLLM，整合先进音文处理技术应对本地口音方言差异，在语音识别和任务理解上均有提升，为区域化AI应用树立先例。
2025-01-16 cs.AI cs.CL
Bridging Language Barriers in Healthcare: A Study on Arabic LLMs
M42 Health（M42医疗）
该研究针对多语言医学大语言模型开发难题，通过实验发现训练数据最优语言组合因任务而异，更大模型经语言比例校准后母语临床表现更优，指出预训练比微调更能提升多语言医疗性能，为普惠医疗AI构建提供指导。
2025-01-16 cs.AI cs.CL
Bridging Traditional Explainability Methods and Multimodal Multilingual Models: An XAI-Based Analysis
提出多模态Shapley值框架，结合频谱图引导的音素对齐（SGPA）预处理方法，实现文本与音频特征的可解释性归因，并开源计算包与可视化工具。
2026-04-21 cs.AI cs.CL cs.SD
Chitrarth: Bridging Vision and Language for a Billion People
Krutrim AI
针对现有多模态基础模型多基于高资源语言训练、适配中低资源语言不足的问题，研究推出面向10种印度语言的视觉语言模型Chitrarth及评估框架BharatBench，在低资源语言基准上取得SOTA结果且保留英语性能，为多语言多模态AI发展奠基。
2025-02-21 cs.AI cs.CL cs.CV
Bridging Pre-trained Language Models and Hand-crafted Features for Unsupervised POS Tagging
Soochow University（苏州大学）
近年来，大规模预训练的语言模型（PLM）在大多数NLP任务中取得了非凡的进展。但是，在无监督的词性标注任务中，利用PLM的作品很少，并且无法达到最先进的（SOTA）性能。最近的SOTA性能是由He等人提出的Guassian HMM变体产生的。（2018）。然而，作为一种生成模型，HMM做出了非常强的独立性假设，这使得从PLM中整合上下文化的单词表示非常具有挑战性。在这项工作中，我们第一次提出了一个神经条件随机场自动编码器（CRF-AE）模型的无监督词性标注。CRF-AE的鉴别编码器可以直接合并ELMo单词表示。此外，灵感来自功能丰富的HMM，我们重新引入手工制作的功能到CRF-AE的解码器。最后，实验清楚地表明，我们的模型在Penn Treebank和多语言Universal Advertisements Treebank v2.0上的性能大大优于以前的最先进模型。
2022-03-19 cs.CL
The Power of Question Translation Training in Multilingual Reasoning: Broadened Scope and Deepened Insights
National Key Laboratory for Novel Software Technology（计算机软件新技术国家重点实验室）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
本文探索问题对齐框架在多语言推理中的广泛应用，通过代理调优高效适配大模型，在多个基准上显著提升性能，并揭示其机制。
2024-11-06 cs.CL
Beyond Cross-Lingual Transfer: Benchmarking Propagation Boundaries in Multilingual LLM Unlearning
National University of Singapore（新加坡国立大学）；Hefei University of Technology（合肥工业大学）
针对多语言大模型遗忘中传播不足与过度的问题，提出CLLPU基准，通过两种设置和大量数据评估，揭示失败模式，确立传播控制为核心挑战。
2026-09-09 cs.AI cs.CL
The Multilingual Divide and Its Impact on Global AI Safety
Cohere Labs（Cohere实验室）；Cohere
本文分析了全球AI安全中多语言鸿沟的成因与影响，并为政策制定者和治理专家提出了通过支持多语言数据集创建、透明度和研究来弥合语言差距、降低跨语言安全风险的建议。
2025-05-27 cs.AI cs.CL
Stochastic Meta-Unlearning: Bridging Language Backbone and Multimodal Unlearning
UNC at Chapel Hill（北卡罗来纳大学教堂山分校）；Cisco Research（思科研究院）；Michigan State University（密歇根州立大学）
研究视觉语言模型的机器遗忘问题，提出随机元遗忘框架，利用VLM级反馈学习初始化，经内、外循环更新语言主干，实验证明该方法在遗忘-保留权衡上表现最佳，能提升准确率且可迁移。
2026-07-22 cs.CL cs.LG
Is It Good Data for Multilingual Instruction Tuning or Just Bad Multilingual Evaluation for Large Language Models?
University of Edinburgh（爱丁堡大学）；Northeastern University（东北大学）；Tsinghua University（清华大学）
本研究探讨多语言大模型微调与评估中过度依赖翻译带来的问题，发现母语或生成基准能揭示母语与翻译指令数据的显著差异，并证明正则化有助于在结构化任务上弥合此差距。
2024-09-26 cs.AI cs.CL
Multilingual Conversational AI for Financial Assistance: Bridging Language Barriers in Indian FinTech
TIFIN India（TIFIN印度）
本研究提出了一种多语言对话AI系统，用于支持印度多样化的语言环境，提升金融服务的可及性与用户参与度。
2025-12-01 cs.CL
Bridging the Gap: Transfer Learning from English PLMs to Malaysian English
School of Information Technology, Monash University Malaysia（墨尔本大学马来西亚分校信息科技学院）
针对马来西亚英语的低资源克里奥尔语特性，通过微调预训练语言模型MENmBERT和MENBERT，在命名实体识别和关系抽取任务上分别提升1.52%和26.27%的性能。
2026-05-30 cs.CL
Multilingual Auxiliary Tasks Training: Bridging the Gap between Languages for Zero-Shot Transfer of Hate Speech Detection Models
INRIA（法国国家信息与自动化研究所）
零次跨语言迁移学习已经被证明对于涉及大量语言特性的任务或当语言之间存在文化差异时（例如在仇恨言论检测中）具有高度挑战性。在本文中，我们强调了这种限制仇恨言论检测在几个领域和语言使用严格的实验设置。然后，我们建议对多语言辅助任务进行训练-情感分析，命名实体识别和依赖句法信息的任务-以提高仇恨语音检测模型跨语言的zero-shot传输。我们展示了仇恨言论检测模型如何受益于辅助任务微调带来的跨语言知识代理，并强调了这些任务对弥合语言之间仇恨言论语言和文化差距的积极影响。
2022-10-25 cs.CL
Bridging Linguistic Typology and Multilingual Machine Translation with Multi-View Language Representations
University of Edinburgh（爱丁堡大学）
来自语言类型学数据库的稀疏语言向量和来自多语言机器翻译等任务的学习嵌入已经被孤立地研究，而没有分析它们如何从彼此的语言特征中受益。我们建议使用奇异向量典型相关分析来融合这两种观点，并研究从每个来源诱导出什么样的信息。通过推断类型学特征和语言同源性，我们观察到我们的表征嵌入类型学，并加强与语言关系的相关性。然后，我们利用我们的多视图语言向量空间进行多语言机器翻译，在需要语言相似性信息的任务中，我们实现了具有竞争力的整体翻译准确性，例如语言聚类和多语言转换的候选人排名。使用我们的方法，这也是作为一种工具发布的，我们可以很容易地项目和评估新的语言，而无需昂贵的大量多语言或排名模型的重新训练，这是相关方法的主要缺点。
2020-10-25 cs.CL
Bridging Scientific Heritage: An Arabic--Russian Parallel Corpus and LLM Benchmark for Sustainable Knowledge Transfer
Kazan Federal University（喀山联邦大学）
为解决阿拉伯语和俄语科学交流的语言障碍，构建了约2.7万句对的混合平行语料库，微调mT5、NLLB和Qwen2.5-7B模型，Qwen2.5-7B+QLoRA达到BLEU 23.15，推动跨语言知识转移与可持续发展。
2026-09-15 cs.CL
Marco-LLM: Bridging Languages via Massive Multilingual Training for Cross-Lingual Enhancement
Alibaba International Digital Commerce（阿里巴巴国际数字商业）
本文提出Marco-LLM，通过低资源多语言数据收集与基于Qwen2的持续预训练，在多项多语言基准和任意到任意翻译任务上显著提升性能并保持主流语言能力。
2024-12-05 cs.CL
Tiny Aya: Bridging Scale and Multilingual Depth
Tiny Aya通过区域感知后训练，在仅3.35B参数下实现多语言翻译、理解和生成的高性能，提供高效且平衡的多语言AI解决方案。
2026-03-12 cs.CL
Gender Lost In Translation: How Bridging The Gap Between Languages Affects Gender Bias in Zero-Shot Multilingual Translation
Maastricht University（马斯特里赫特大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文研究零样本多语言神经机器翻译中的性别偏见，发现语言无关表示可减轻男性偏见，且桥接语言性别屈折程度越高，枢轴翻译在性别保留公平性上越优于零样本翻译。
2023-05-26 cs.CL
Reasoning Transfer for an Extremely Low-Resource and Endangered Language: Bridging Languages Through Sample-Efficient Language Understanding
本文提出英语引导的Co T训练方法，通过监督微调提升极低资源语言的推理能力，并发布首个爱尔兰语数学任务基准测试，展示多语言推理的可行路径。
2025-11-26 cs.AI cs.CL
Native Multilingual Chain-of-Thought Reasoning in Low-Resource Southeast Asian Languages
针对低资源东南亚语言大模型推理的跨语言崩溃与微调瓶颈，提出OSCD算法，结合翻译智能体循环与联合嵌入语义对齐，在AIME25等基准上实现数学推理的显著提升。
2026-08-04 cs.AI cs.CL cs.LG
IndicEval-XL: Bridging Linguistic Diversity in Code Generation Across Indic Languages
Deutsche Telekom Digital Labs（德国电信数字实验室）
针对现有代码生成基准以英语为中心的问题，提出IndicEval-XL基准，覆盖6种印度语言和12种编程语言，旨在提升多语言代码生成评估的包容性，并公开数据集以促进研究。
2025-02-26 cs.CL cs.SE
Bridging the Language Gap: Enhancing Multilingual Prompt-Based Code Generation in LLMs via Zero-Shot Cross-Lingual Transfer
Department of Statistics and Data Science, Yale University（耶鲁大学统计与数据科学系）；School of Information, University of Texas at Austin（德克萨斯大学奥斯汀分校信息学院）
针对非英语提示下 LLM 代码生成质量不均的问题，提出结合 LASER 与神经投影的零样本跨语言迁移方法，仅用英语训练即可提升多语言代码生成质量。
2025-05-09 cs.CL
Bridging Cross-Lingual Gaps During Leveraging the Multilingual Sequence-to-Sequence Pretraining for Text Generation and Understanding
China University of Petroleum (East China)（中国石油大学（华东））；JD Explore Academy（京东探索研究院）
对于多语言序列到序列预训练语言模型在多语言Seq 2Seq PLM（多语言Seq 2Seq PLM），例如mBART中，自监督预训练任务在广泛的单语语言上训练，例如来自CommonCrawl的25种语言，而下游跨语言任务通常在双语语言子集上进行，例如英语-德语，使得存在数据差异，即域差异，在预训练阶段和微调阶段存在跨语言学习目标差异，即任务差异。为了弥合上述跨语言领域和任务的差距，我们扩展了vanilla pretrain-finetune管道，增加了额外的代码切换恢复任务。具体而言，第一阶段采用自监督代码切换恢复任务作为借口任务，允许多语言Seq 2Seq PLM获取一些域内对齐信息。在第二阶段，我们通常对下游数据进行模型微调。NLG评估（12个双语翻译任务，30个zero-shot翻译任务和2个跨语言摘要任务）和NLU评估（7个跨语言自然语言推理任务）的实验表明，我们的模型始终优于采用标准微调策略的强基线mBART。分析表明，我们的方法可以缩小跨语言句子表示的欧氏距离，并提高模型的泛化能力与微小的计算成本。我们在https://github.com/zanchangtong/CSR4mBART上发布代码。
2022-09-21 cs.CL
ERNIE-Code: Beyond English-Centric Cross-lingual Pretraining for Programming Languages
Baidu（百度）
发布支持116种自然语言和6种编程语言的统一预训练模型ERNIE-Code，采用span-corruption和基于枢轴的翻译语言建模方法，在代码智能任务及零样本提示中表现优越。
2023-05-19 cs.CL cs.LG cs.PL
Deceptive Humor: A Synthetic Multilingual Benchmark Dataset for Bridging Fabricated Claims with Humorous Content
MIT Manipal（MIT 曼联）
本文提出欺骗性幽默数据集（DHD），基于ChatGPT-4o生成的多语言幽默评论，标注讽刺程度和幽默类型，为研究幽默如何助长错误信息传播提供基准。
2025-06-19 cs.CL
Fair Cognitive Impairment Detection Through Unlearning
University of Massachusetts Lowell, USA（马萨诸塞大学洛厄尔分校）
提出一种多模态框架，结合跨模态融合和梯度反转去学习，减少人口统计信息对轻度认知障碍检测的偏见，在跨语言数据集上缩小性能差距。
2026-06-18 cs.CL cs.LG cs.SD
Bridging the Linguistic Divide: A Survey on Leveraging Large Language Models for Machine Translation
Department of Computer Science and Engineering（计算机科学与工程系）；IIT Patna（印度理工学院帕纳布）
本文综述了大型语言模型在机器翻译中的应用，探讨了提示方法、参数高效微调、合成数据生成等技术，分析了低资源翻译中的挑战与对策，以及文档级和语篇级翻译方法的发展。
2026-01-12 cs.AI cs.CL
Bridging Nations: Quantifying the Role of Multilinguals in Communication on Social Media
University of Michigan（密歇根大学）；University of Southern California（南加州大学）
本研究在欧洲Twitter网络上应用因果推断技术，量化了多语用户在跨语言信息交换中的结构性角色和交流影响力，发现多语者在传播单语者难以获取的信息方面具有关键作用。
2023-04-07 cs.CL cs.SI
CSIRO-LT at SemEval-2025 Task 11: Adapting LLMs for Emotion Recognition for Multiple Languages
CSIRO Data61（CSIRO数据61研究所）；Macquarie University（麦考瑞大学）
针对跨语言情感识别挑战，研究LLM任务适配策略，发现对多语言LLM按语言分别用LoRA微调最有效。
2025-08-02 cs.CL
Bridging Gaps in Natural Language Processing for Yorùbá: A Systematic Review of a Decade of Progress and Prospects
Department of Computer Science and Information Systems, University of Limerick（计算机科学与信息系统系，利默里克大学）
本文通过系统综述分析了近十年约鲁巴语NLP的发展，揭示了资源匮乏、声调复杂性等挑战，并总结了基于规则等主要技术，旨在推动该语言在NLP中的应用进展。
2026-02-24 cs.AI cs.CL
Bridging the Language Gap: Knowledge Injected Multilingual Question Answering
Tsinghua University（清华大学）；Shandong University（山东大学）
本文提出一种广义跨语言迁移框架，通过组装多语言知识三元组并利用链接预测技术进行知识注入，增强模型跨语言理解与推理能力，在MLQA数据集上F1/EM平均提升13.18%/12.00%。
2023-04-06 cs.CL
Bridging the Language Gap: Dynamic Learning Strategies for Improving Multilingual Performance in LLMs
Microsoft Research India（微软研究院印度分部）
本文提出运行时按查询动态选择提示、嵌入模型与LLM的RAG方法，在18种语言的QA任务上显著优于预训练和微调模型。
2025-01-07 cs.AI cs.CL
Bridging the Culture Gap: A Framework for LLM-Driven Socio-Cultural Localization of Math Word Problems in Low-Resource Languages
Saarland University（萨尔兰大学）；Saarland Informatics Campus（萨尔兰信息技术校园）；Instituto Politécnico Nacional（墨西哥理工学院）；University of South Florida（佛罗里达州立大学）
本文提出一种基于LLM的数学应用题社会文化本地化框架，通过自动构建包含本地名称、组织和货币的本地化数据集，缓解英语中心主义偏差并提升模型鲁棒性。
2026-04-20 cs.CL
Bridging Linguistic Gaps: Cross-Lingual Mapping in Pre-Training and Dataset for Enhanced Multilingual LLM Performance
Singapore University of Technology and Design（新加坡科技设计大学）；Agency for Science, Technology and Research（新加坡科技研究局）
本文提出在预训练阶段引入跨语言映射任务，提升多语言对齐能力，通过语言对齐系数量化一致性，实验显示在机器翻译、跨语言自然语言理解及问答任务中性能显著提升。
2026-04-12 cs.AI cs.CL
Multilingual AMR-to-Text Generation
FAIR（Facebook人工智能研究院）；LORIA（洛林计算机科学及其应用研究实验室）；Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）
从结构化数据生成文本具有挑战性，因为它需要弥合（i）结构和自然语言（NL）以及（ii）语义欠指定的输入和完全指定的NL输出之间的差距。多语言生成带来了额外的挑战：生成具有不同词序和形态属性的语言。在这项工作中，我们专注于抽象意义表征（AMR）作为结构化输入，以前的研究绝大多数集中在生成只到英语。我们利用跨语言嵌入、预训练和多语言模型方面的进步，创建了多语言AMR到文本模型，这些模型可以用21种不同的语言生成。对于18种语言，基于自动度量，我们的多语言模型超过了生成单一语言的基线。我们分析了我们的多语言模型使用人类评估准确捕捉形态和词序的能力，发现母语者判断我们这一代人流利。
2020-11-10 cs.CL
LangBridge: Multilingual Reasoning Without Multilingual Supervision
KAIST（韩国科学技术院）；University of Washington（华盛顿大学）；NAVER AI Lab（NAVER AI实验室）；Carnegie Mellon University（卡内基梅隆大学）
本文提出LangBridge，一种零样本方法，通过引入极少量可训练参数连接多语言理解模型与推理模型，仅用英语数据训练即可显著提升低资源语言在数学、代码、逻辑和常识推理任务上的性能。
2024-06-03 cs.CL
Bridging the Gap: Dynamic Learning Strategies for Improving Multilingual Performance in LLMs
Microsoft Research India（微软研究院印度分院）
本文针对 LLM 在非拉丁文字和低资源语言上的性能不足，提出提示优化、RAG 与多语言嵌入混合及运行时动态选择策略，显著提升多语言任务表现。
2024-05-28 cs.AI cs.CL cs.LG
Omnilingual SONAR: Cross-Lingual and Cross-Modal Sentence Embeddings Bridging Massively Multilingual Text and Speech
FAIR at Meta（Meta的FAIR）
提出OmniSONAR模型，通过渐进式训练和教师-学生蒸馏，在数千种语言上实现文本、语音、代码和数学表达式的统一语义嵌入，在跨语言检索和翻译任务上显著降低错误率，并支持零样本语音翻译。
2026-06-19 cs.CL
