文章讨论了全球主要语言在翻译新词时的策略，指出汉语坚持意译，而日语、法语、德语等逐渐放弃。冰岛语和芬兰语通过创造新词保持意译，藏语、毛利语和纳瓦霍语也在积极意译。中文成为唯一在无强制下实现全民意译的大语言。

本研究解决了大型语言模型在外语教学中的语法能力评估不足的问题，提出了CPG-EVAL基准，专门用于评估模型的教学语法知识。研究发现，小规模模型在单语言实例任务中表现良好，但在多实例任务和干扰情况下较为乏力，而大规模模型虽在干扰下表现更佳，但依然需要提高准确性。这一成果为教育工作者、政策制定者和模型开发者提供了系统评估的理论框架，有助于引导大型语言模型在教育中的有效部署。

本研究解决了在训练数据不足的情况下，神经网络在机器翻译中的表现不佳的问题。通过利用多语言预训练语言模型（mBART）和越南语、汉语的单语语料库，提出了一种有效的机器翻译方法，最终显示出与变换模型相比，性能提升了8%。

本研究针对越南语-汉语和越南语-老挝语的机器翻译评估，结合自动指标与专家评审，提出了全面的评估方法，为翻译模型的改进提供依据。

本研究针对汉语语法错误纠正（CGEC）中存在的样本纠正难度不同的问题，提出了一种多层次的课程学习框架，以便更有效地训练模型。通过先评估样本的纠正难度，从简单到困难逐步输入模型，并调整损失函数以优化模型的学习方向，实验证明该方法显著提升了纠正性能。

本研究探讨古典汉语在处理韩国和日本历史文档时的跨语言转移效用，质疑其有效性，发现支持作用有限，强调需进行实证验证。

该论文研究了英文到台湾闽南语的语音翻译，包括数据收集、建模和发布基准数据集。通过人工注释、数据自动挖掘和伪标注方法，收集了大量数据。在模型训练中，结合自监督离散表示和普通话文本监督，取得了良好效果。最后，推出了一个S2ST基准数据集。

该研究介绍了Feriji，第一个用于机器翻译的法语-扎尔马语并行语料库和词汇表。通过微调语言模型，BLEU评估达到30.06，并通过人工评估提高了扎尔马语的流畅度、理解度和可读性，填补了语言差距，促进了非洲土著语言的发展。

该研究提出了综合评估大型语言模型的工具，发现汉语和台湾国语的公开权重模型在复杂推理能力上表现较差。研究强调了培养本土化台湾国语大型语言模型的目标，并公开了基准测试和评估脚本。

基于BERT的模型在中文拼写检查任务中展现出显著能力。研究者提出了一种异构知识注入框架以减轻传统方法的限制。实验结果显示该框架在四个基准模型上均有性能提升，且优于先前的最先进方法。

通过在古代汉语中开发历史心理文本分析的管道，我们结合心理测量学的专业知识与基于变压器的语言模型生成的文本表示，测量古代汉语语料库中的传统主义、规范强度和集体主义等心理构造，并通过间接监督的对比学习方法与预训练模型进行微调，展示了我们的管道的卓越性能。

本研究使用基于Transformer的序列到序列模型，仅使用850万个参数，在DataVerse Challenge - ITVerse 2023中以0.10582的字错误率获得第一名，实现了汉语中每个单词的国际音标。

Bing宣布New Bing网页版正式支持语音提问，目前支持英语、日语、法语、德语、汉语，未来将支持更多语言。