研究探讨大型语言模型在学习新语言时如何保持已掌握语言的性能。提出两阶段微调过程，发现任务相似性影响模型适应性，并验证微调方法在提升语言能力和保持任务性能上的有效性。

本研究通过对大语言模型进行适应和扩展，探究了构建语言专属大语言模型的方法。发现词汇扩展和持续微调可以提高模型效率，适应方法取决于语言。适应以英语为中心的模型在资源稀缺语言上表现更好。该研究为构建语言专属大语言模型提供了基础。

本研究通过对大语言模型进行适应和扩展，探究了构建语言专属大语言模型的方法。实验结果表明，通过词汇扩展和持续微调可以提高大语言模型的效率和任务性能。适应方法的选择取决于语言，简单的方法在各种实验中表现良好。相比适应多语言模型，以英语为中心的模型在资源稀缺语言上表现更好。这项工作为构建语言专属大语言模型提供了基础。

本文研究了LLMs的自我信息更新任务，并提出了一种有效的持续微调方法来缓解暴露偏差问题。作者还开发了新闻文章数据集来评估信息更新，实验结果表明，该方法能显著提高事实一致性分数。