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。

本文研究了自监督学习方法在多语言机器翻译中的应用。通过结合噪声消除的自监督任务和原有任务，性能在8种和15种语言基准测试中分别提高了11.3％和3.7％。

多语言机器翻译质量低，英文内容通过机器翻译转译成较低资源语言。研究对训练多语言大型语言模型提出疑虑。