本研究分析了多语言大型语言模型中的偏见问题，发现多语言训练可能加剧对保护群体的偏见。提出了LDFighter机制以减轻语言歧视，确保不同语言用户获得一致服务。研究表明，模型的偏见程度与语言的NLP资源量相关，且在多语言环境中评估和减少性别偏见面临挑战。

本文研究了知识编辑中源语言对目标语言的影响，探讨了大型语言模型（LLMs）在多语言环境中的表现及语言歧视问题。通过构建跨语言数据集，分析了不同语言的模型编辑方法及其性能，并提出了基于相似度的投票机制LDFighter，以提升不同语言用户的服务一致性和响应质量。

本研究评估了大型语言模型（LLMs）在口语任务导向对话中的表现，发现其对口头噪音的鲁棒性不足，但通过微调可以提升性能。同时，研究探讨了LLMs在多语言支持中的一致性，提出LDFighter机制以减轻语言歧视，确保不同语言用户获得一致服务。此外，强调了数据增强技术在提升方言理解能力和翻译质量中的重要性。