本研究提出FuxiMT，一种针对低资源环境的多语种机器翻译模型。该模型通过在大型中文语料库上预训练，并在65种语言的平行数据集上微调，展现出优越的翻译能力，尤其在缺乏平行数据时的零-shot翻译表现突出，具有实用潜力。

该研究采用大规模弱监督学习方法，解决阿拉伯语语音识别中的标注数据不足问题。训练的ASR模型在缺乏人工标签的情况下，仍在标准测试中表现优异，验证了弱监督学习在低资源环境中的有效性。

本研究提出MT-R1-Zero模型，利用R1-Zero强化学习框架提升机器翻译质量。该模型通过混合奖惩机制，展现出强大的泛化能力和竞争力，特别适用于低资源和多语言环境。

本研究提出了CoRAG框架，以解决知识密集型任务中的少样本学习问题。实验结果表明，CoRAG在低资源环境下优于传统方法，并揭示了共享通道中段落对模型性能的影响。

本研究评估了生成性人工智能模型在尼泊尔语命名实体识别中的表现，探讨了低资源环境下的挑战与机遇，为自然语言处理领域提供了重要贡献。

本研究介绍了首个德国语方言检索数据集WikiDIR，指出传统词汇方法在高变异情况下的不足，强调在低资源环境下开发方言特定检索模型的重要性，并证明文档翻译能有效缩小方言差距。

本研究提出了一种上下文过滤方法，通过奖励建模去除问答任务中的非必要信息，显著提升低资源环境下问答模型的有效性，EM Per Token指标提高了6.8倍。

量化感知训练在小型语言和视觉模型中表现优异，证明了其在小型深度学习网络中的可行性，推动了低资源环境下的模型应用与研究。

通过比较提示模型的归因得分与微调模型和大型语言模型，发现提示模型在低资源环境下提供更合理的解释，且Shapley值采样优于注意力和积分梯度。

本研究探讨了大型语言模型在低资源环境下的泛化能力，比较了不同LLMs与专门翻译模型在英语-泰语翻译中的表现。结果表明，LLMs在计算限制下效果不佳，而专门模型表现更优，强调了在资源受限情况下使用专门模型的重要性。

本研究提出了一种利用强大的文本到语音（TTS）模型进行自动语音识别（ASR）数据增强的方法，以解决低资源环境中ASR性能不足的问题。实验结果表明，文本多样性、说话人多样性和合成数据量对ASR性能有显著影响，尤其强调了文本多样性的重要性。

麻省理工学院开发了ScribblePrompt，一种用于生物医学图像分割的交互工具。它利用神经网络，支持涂鸦、点击和边界框等多种注释方式，适合不同标签和图像类型。研究显示，ScribblePrompt在速度和准确性上优于现有方法，并能在低资源环境中高效运行。

该研究使用视觉语音绑定（VGS）模型进行关键词定位，并评估了四种本地化方法。研究还发布了Yoruba语言的口语字幕数据集。跨语言模型的关键词定位精度为16％，在英语数据上预先训练的模型可以提高性能。研究还分析了模型的成功和失败模式，并强调了在低资源环境中使用VGS模型的挑战。

SCALE是一个协作框架，将专用翻译模型和通用语言模型连接为一个统一的翻译引擎。它减轻了语言偏见和平行数据偏见，增强了专业性。在低资源环境中，SCALE在翻译方面优于其他模型。在Xhosa到英语的翻译中，SCALE通过紧凑模型获得了稳定提高。SCALE还可以利用现有语言偏见，在多个翻译方向上优于其他模型。对SCALE的稳健性和延迟成本进行了分析。

本研究提出了一种在低资源环境下提取法律决策摘要的技术，通过顺序模型定位相关内容并利用最大边际相关性处理冗余，生成有信息量的摘要。多任务学习模型变体进一步提高了摘要器性能，实验证明该方法能够实现与专业提取的摘要相匹配的得分。

该研究提出了一种用于模拟复杂形态的框架解决方案，通过双层Transformer架构编码形态学信息，并使用多标签多任务训练和基于beam search的解码器提高机器翻译性能。在低资源环境中通过评估多种数据增强技术，提高了翻译性能。在基纳卢旺达语-英语翻译任务中表现有竞争力。

通过逐步奖励机制扩展强化学习在理解和生成任务中的应用，研究者在任务导向对话系统上取得了新的最先进结果，并展现了在低资源环境中的出色少样本能力。

本研究将非语言性特征转化为文本描述，并与口头文本结合，整合到预训练大语言模型中，通过fine-tune在多个下游任务中取得了令人满意的性能。建议将此方法作为低资源环境下多模态行为分析任务的通用基准。