研究提出了一种名为SAVA的词汇适应方法，旨在提高意大利语大型语言模型的效率。通过调整英语模型的词汇和嵌入层，SAVA显著减少了处理意大利文本所需的token数量，提升了模型性能，同时保持了英语能力。这为资源有限语言的模型适应提供了有效路径。
本文研究了在低资源环境中简单启发式词向量初始化方法的有效性，发现其在目标词汇规模和适应数据变化时优于复杂方法。同时，探讨了多语言模型中的词汇缺失问题及其解决方案，提出了FOCUS方法以提高嵌入初始化效果，强调跨语言词汇适应对模型性能的提升。
完成下面两步后，将自动完成登录并继续当前操作。
