本研究提出CULL-MT方法，通过结构层剪枝和选择语言方向，解决多语言机器翻译模型推理开销增加的问题。该方法采用贪婪策略识别不重要层，并通过知识蒸馏和参数微调减轻影响。研究表明，NLLB-3.3B模型在多方向翻译中表现鲁棒，而LLaMA3.1-8B-Instruct对层剪枝更敏感。

本文探讨了大型语言模型（LLMs）在多语言机器翻译中的能力，尤其是在低资源语言的表现。研究表明，参考信息能显著提高翻译评估的准确性，而源语言信息有时会产生负面影响。此外，提出了基于GPT的翻译质量评估指标GEMBA，显示出在多语言评估中的优越性能，为提升LLMs在翻译任务中的应用提供了新思路。

本文探讨了 Transformer 网络在算法任务中的应用，提出了一种概率框架以优化多语言机器翻译性能，解决了梯度消失问题。研究表明，深层模型在语言建模中表现更佳，并分析了多头注意力层的记忆能力及其对目标函数的影响。此外，研究揭示了 Transformer 的关键参数对表达能力的作用，并提出了有效的模型调整方法。

本文研究了深度随机初始化的Transformer模型中的信号传播与梯度反向传播，提出了确保可训练性的初始化超参数必要条件。通过理论分析和实验，提出了优化模型性能的建议，解决了深度模型训练不稳定性的问题，并在多语言机器翻译任务中取得了更好的性能。

本文综述大语言模型在多语言机器翻译中的优势与挑战，评估XGLM、OPT、BLOOMZ、ChatGPT等模型在102种语言上的性能，并探讨上下文学习、低秩适配微调、文档级翻译及语义歧义消解等改进方法。研究还发现，通用大模型在法律领域表现不及专用小模型，凸显领域专业知识的重要性。

该文综述多语言机器翻译研究：以GIF为中介从单语注释者收集平行句，降低成本并提升质量；构建单一大规模多语言NMT模型，实现103种语言互译，迁移学习显著改善低资源语言；多任务学习利用单语资源及语义、句法、实体识别辅助任务缓解平行语料不足；机器翻译用于多语言文本分析，效果与源语言相当；并探讨低资源翻译现状、翻译-测试效果及翻译质量对检索的影响。

该文综述多语言机器翻译研究进展，涵盖多项方法与发现：CrossConST通过跨语言一致性正则化提升零样本翻译；ALMA在WMT测试集上显著提升性能；XGLM-7B微调实验表明翻译能力依赖指令理解与语言对齐；SixT+支持百余种源语言；用大模型少量提示生成多语数据更为有效；系统评估了XGLM、OPT、BLOOMZ、ChatGPT在102种语言上的表现；适配器微调可降低参数量；一致性约束训练使零样本翻译提升2-3 BLEU；跨语言指导增强指令微调模型；上下文学习结合模糊匹配提升自适应翻译质量。

该文综述多项研究：通过跨语言语义对齐与指令微调提升大模型非英语能力，在六种语言上显著超越英语模型；提出ALMA翻译器、Instruct-Align框架及X-InSTA提示策略；系统评估大模型在多语言机器翻译中的优势与挑战，并探索歧义消解与术语翻译改进。