本研究探讨大型语言模型（LLMs）在对话中的语言适应行为，发现其语法选择会随着对话进展而趋同，表明LLMs能够适应对话伙伴的语言使用，从而提升对话能力。

本研究探讨了小型语言模型在中等资源语言中的适应性，特别是如何有效利用语言特定知识。通过冰岛语的案例研究，提出在前馈层和瓶颈适配器中使用LoRA以增加可训练参数，从而显著提升语言适应性能，尤其在0-shot摘要任务中表现优异。

本研究提出两种新方法，以提高多轮意图分类的准确性和效率，解决数据稀缺和对话上下文复杂性的问题。通过使用大型语言模型进行符号调优和语言适应检索增强，分类准确率提升5.09%，标注成本降低40%，对低资源多语言系统具有重要意义。

本研究提出了一个新的基准，评估生成性大型语言模型在丹麦语中的能力，称为“丹麦语言文化能力”。实验结果表明，该基准能够有效区分模型性能，并揭示模型在丹麦语适应中的一致性因素。

本文探讨了自监督学习在多语言模型中的应用，特别是ZMM-TTS的语言适应能力。研究表明，预训练语言与目标语言的相似性及微调数据集大小等因素影响适应性。提出通过适配器模块加速新语言任务的预训练方法，并在低资源语言中实现性能提升。实验结果显示，自监督学习结合优化策略显著提高了多语言自动语音识别的效果。

该研究基于稀疏专家混合（SMoE）语言模型的 Mixtral，提出了 Chinese-Mixtral 和 Chinese-Mixtral-Instruct，通过预训练和微调改进了中文语言能力，保留了英语能力。研究讨论了语言适应的关键问题，并提供了实证结果和分析。研究资源在 https://github.com/ymcui/Chinese-Mixtral 公开提供。