本研究提出了一种一致性聚焦的相似性比较框架（ConSCompF），用于比较生成大语言模型（LLMs）。该框架在少量未标记数据上操作，能够有效计算模型生成文本的相似度评分，帮助识别模型输出的相似性及潜在的投资欺诈风险。

通过对英语为主的生成大语言模型进行调整，以适应资源匮乏的语言，并评估了不同的策略，包括持续训练、指导微调、任务特定微调和词汇扩展。结果表明，持续训练改进了语言理解能力，任务特定微调一般提高了下游任务的性能，但扩展词汇未带来实质性的益处。此外，在适应时，较大的模型通过少样本微调可以提高任务性能，而多语言模型在适应时表现不如单语言模型。