本研究提出了一种新方法，通过大型语言模型生成多语言对话数据，有效解决开放领域对话模型的数据稀缺问题。该方法能够捕捉语言细微差别，某些任务的表现超过人类众包工作者，展现出良好的应用前景。

本研究提出了XMP数据集，以解决多语言对话系统中高质量数据集不足的问题。该数据集包含多方播客对话的平行文本样本，旨在推动大型语言模型在复杂对话场景中的表现机制研究。

本文提出Chain-of-Intent机制，结合隐马尔可夫模型与大型语言模型，生成多语言多轮对话数据集。引入MINT-CL框架以提高意图分类的准确性，并发布MINT-E语料库，减少数据生成的工作量。

我们提供了一个高质量的数据集，包含74种语言中的超过70k个提示-回应对，用于训练最先进的开源英语语言模型，以实现多语言对话。在6种语言的MT-Bench对话基准测试中，我们的多语言模型优于先前的开源语言模型。此外，我们发现在更多多语言数据上进行训练有助于提高性能。这些结果表明，在大量高质量多语言数据的训练下，实现更易用的语言模型变得必要。