本研究提出了海考试和海基准两个新基准，旨在评估大型语言模型在东南亚的表现。通过地区教育考试和社区互动任务，强调真实查询在多语种能力评估中的重要性。

本研究提出了Multi-IF基准，以评估大型语言模型（LLMs）在多轮和多语种指令执行中的能力。研究发现，最新的LLM在多轮指令执行中的失败率显著提高，尤其是在非拉丁文字语言中，显示出其多语种能力的局限性。

本文探讨了大型语言模型（LLM）融合的多种方法，特别是针对非英语语言的适应性。研究提出了TransLLM框架，通过翻译连接英语与非英语，提升模型性能。同时，知识融合技术被拆解为四个场景，强调内部参数化知识的重要性。新方法Cool-Fusion和WIDEN有效解决了计算负载和模型合并中的挑战，提升了多语种能力和准确性。