本研究探讨了聊天模型在未标注目标语言数据下的词汇扩展问题，现有策略有效率为71%，后续技术可提升至87%。为资源有限语言的模型能力提升提供新视角。

本文介绍了利用未标注数据进行零奖励共享的策略，并通过重新加权方法缓解错误奖励标签引入的偏置问题。该策略在模拟机器人运动、导航和操作等方面得到了验证。

本文探讨了使用预训练语言模型进行主动学习时的问题，并提出了使用未标注数据来适应目标任务的解决方法。同时，提出了一种简单有效的微调方法来保证适应的语言模型在低资源和高资源情况下都能得到适当的训练。实验结果表明，该方法比标准微调方法更有效，可以提高数据效率。

本文讨论了使用预训练语言模型进行主动学习时的问题，并提出了使用未标注数据来适应目标任务的解决方法。同时，还提出了一种简单有效的微调方法，以确保适应的语言模型在低资源和高资源情况下都能得到适当的训练。实验结果表明，该方法在数据效率上有显著改进，这表明不良的训练策略可能对主动学习产生灾难性影响。