本文探讨了多语言语义文本相关性（STR），利用BERT模型在多种语言中取得显著成果。研究表明，结合不同语言模型和数据增强方法，尤其在资源匮乏语言中，能有效提升STR性能。通过创新的回归框架和损失函数，实验结果在多个基准测试中表现优异，推动了该领域的进一步研究。

本文介绍了MasonTigers在SemEval-2024任务1中的成果，开发了针对非洲和亚洲语言的语义文本相关性模型TranSem。该任务涵盖14种语言，重点解决低资源语言的挑战，采用机器翻译进行数据增强，并通过任务自适应预训练提高模型表现。MasonTigers在多个子任务中取得了优异成绩，展示了跨语言迁移的有效性。