随着医疗信息化的发展，MMed-Llama 3等医疗大模型应运而生，支持多语言问答，提升医患沟通。MMedC语料库包含255亿tokens，覆盖六种语言，帮助缓解语言障碍。研究成果发表于《Nature Communications》。

本文介绍了多语言问答系统的研究进展，提出了多个支持低资源语言的QA任务的数据集，如MKQA、GermanQuAD和MultiNativQA。研究表明，现有模型在低资源语言上的表现仍不足，强调了数据集质量和多样性的重要性，并提出了改进建议。

本文介绍了多语言问答（QA）研究的进展，提出了MKQA、MLQA和xGQA等评估基准和方法，旨在提升低资源语言的QA性能。研究探讨了跨语言模型转移、数据增强和多文档利用等技术，展示了在多语言环境下的有效性与挑战。

该研究提出了多语言提取式问答基准MLQA，涵盖7种语言，旨在推动跨语言问答研究。通过翻译SQuAD 2.0数据集，开发了印地语和马拉地语的问答数据集，解决了数据稀缺问题。此外，研究介绍了MahaSQuAD和BEnQA数据集，探讨了机器翻译质量评估及其与人工评分的相关性，强调了针对低资源语言的模型优化和评估方法的重要性。

该文综述多语言问答研究，涵盖合成数据生成、机器翻译增强、语言对抗训练与仲裁框架等方法，以提升低资源语言表现；提出MLQA跨语言评测基准；并探索利用预训练模型隐含知识及外部知识库增强常识问答，在多个数据集上取得最优结果。

该文综述多语言开放域问答研究，涵盖数据节约的跨语言QA构建（以冰岛语测试）、神经MRC与Retriever-Reader架构及挑战、越南语XLMRQA、阿拉伯语SOQAL与ARCD数据集、MLQA七语基准、自动翻译扩展多语数据、对话式QA改进、SPARQL多语知识库问答、少标注深度学习抽取式QA以及多跳问题生成。