本研究通过引入“注册”人工标记，显著提升了多语言神经机器翻译模型的性能，使其在大型基准测试中超越相关方法，接近商业大型语言模型的效果。

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。

本研究分析了多语言信息提取的局限性，探讨了语言距离及其度量，并优化了零样本多语言设置中的数据选择，为多语言信息提取系统奠定基础。

研究表明，使用大型语言模型（LLM）进行翻译时，仅需32个实例进行细调即可显著提升翻译效果。选择翻译方向至关重要，英语细调可能导致误解，影响其他语言的翻译。引入噪声时，目标语言的表示质量也会影响结果。成功对齐需要教会模型保持“表面”关注，以避免错误偏差。

研究发现，使用大型语言模型进行翻译细调时，仅用32个训练实例就能表现出很强的翻译能力。单向细调可以实现多方向翻译，但选择翻译方向很重要。在目标语言侧进行细调可能导致任务误解，对非英语语言的翻译造成阻碍。对于不充分表示的语言，噪声的影响较小。成功对齐取决于教会模型保持“表面”关注，避免学习错误的偏差影响翻译。

研究发现，使用大型语言模型进行细调后，仅用32个训练实例即可实现强大的翻译能力。单向细调可以实现多方向翻译，但选择翻译方向很重要。在目标语言侧进行细调可能导致任务误解，对非英语语言的翻译造成阻碍。对于不充分表示的语言，噪声的影响较小。成功对齐取决于教会模型保持“表面”关注，避免学习错误的偏差影响翻译。

本研究解决了在低资源语言中生成对话的挑战，现有方法依赖于大规模对话语料库。通过创新的跨语言代码切换方法，提出了零-shot对话生成模型ChatZero，并通过无监督对比学习来缩小源语言和伪目标语言之间的语义差距。实验结果表明，ChatZero在多语言数据集上表现出色，达到了监督学习的90%以上性能，且在其他基线中取得了最新的性能。

本研究提出了CL2CM通用框架，通过跨语言转移改善视觉和目标语言对齐，验证了其高潜力和有效性。

大型语言模型在教育和学习应用中的使用增加，研究发现控制风格可以增加理解力，促进包容性，有助于知识蒸馏。评估了五个最先进的模型，发现性能不一致，标准偏差高。性能在一年级任务中介于五年级和八年级之间，第二个任务性能有所提高。然而，LLMs经常生成文化上不敏感的内容。提供了详细的结果分析和讨论。

该研究提出了一种自动提示优化方法，用于以情绪为条件的文本生成。通过迭代的优化过程，改变提示中的标记，以实现情感条件。与手动设计的提示相比，优化的提示在实现情感条件方面表现更好。

本研究比较了几种生成合成源句子的方法，发现采样或噪声束搜索的反向翻译效果最佳。同时，将该方法扩展到数亿条单语数据，取得了35 BLEU的最新记录。

本文介绍了一种使用5-gram KenLM语言模型的新方法，通过Kneser-ney平滑技术过滤域外数据，提高机器翻译质量。同时采用多域、微调和迭代回译等自适应技术，在Hindi-Nepali语言对上提高了BLEU点数。

该研究使用机器学习探索了将英语翻译成形式化特征语言的问题，并通过印地语进行了实验。研究使用转换器模型评估了翻译的正式性准确性，结果显示了一种灵活的翻译策略，适应了多样化的语言交流需求和场景。

该研究介绍了如何在端到端语音翻译中引入目标语言上下文，以增强连贯性并克服扩展音频片段的内存限制。同时，提出了上下文丢弃以确保对上下文缺失的鲁棒性，并通过添加说话者信息进一步提高性能。研究表明，上下文信息主要有助于捕捉上下文风格，并解决指代和命名实体问题。