本研究探讨了大型视觉-语言模型（LVLM）在处理非英语输入时的不足。通过多阶段实验，提出了优化多语言训练策略的关键洞察，发现使用25-50%的非英语数据可以显著提升多语言性能，并引入新基准任务以增强图像中文本理解能力。

本研究提出了一种新的多语言训练范式LDP，旨在提升多语言视觉信息提取模型在非英语场景中的表现。通过有效利用单语预训练数据，LDP增强了跨语言泛化能力。实验结果表明，LDM模型在各项评估中超越了现有模型，并在单语言基准测试中表现出竞争力。

本研究提出Marco-LLM，通过大规模多语言训练，提升低资源语言在多语言任务中的表现，缩小了高资源语言与低资源语言之间的性能差距。

本文探讨了利用单一声学模型进行多语言训练，以提升低资源语言的自动语音识别（ASR）性能。研究表明，多语言训练的ASR模型在51种语言上优于单语言训练，尤其在低资源语言方面。提出的多种模型和方法，如METHODNS和MC-SA-ASR，显著提高了多语言和低资源语音识别的效果。此外，研究介绍了MSR-86K语料库，为多语言ASR研究提供了新的数据支持。

本文研究通过单一声学模型进行多语言训练，以提升低资源语言的语音识别性能。在51种语言的测试中，多语言模型比单语言模型更有效，特别是对低资源语言，识别错误率平均减少20.9%至28.8%。这是首次在超过50种语言和16,000小时语音上进行的大规模研究。

研究探讨了在低资源语言环境中优化大型语言模型训练的方法。通过多轮次、多语言和两阶段训练，降低超参数搜索成本。结果显示，随着目标语言语料减少，最佳训练方法从单语单阶段转为多语两阶段，但最佳模型规模保持稳定。

本文探讨了使用单一声学模型进行多语言训练来提升低资源语言语音识别的效果。研究在51种语言上测试，结果表明多语言模型比单语言模型更有效，尤其对低资源语言，平均WER减少20.9%至28.8%。这是首次对超过50种语言的大规模多语言ASR研究。

本文研究了多语言训练的大型语言模型在语言翻译方面的能力，重点关注了Pathways语言模型的表现。通过优化提示，重新评估了PaLM的机器翻译性能，发现其仍然落后于最先进的监督系统。提供了PaLM的机器翻译输出分析和未来工作的前景。