通过对英语为主的生成大语言模型进行调整，以适应资源匮乏的语言，并评估了不同的策略，包括持续训练、指导微调、任务特定微调和词汇扩展。结果表明，持续训练改进了语言理解能力，任务特定微调一般提高了下游任务的性能，但扩展词汇未带来实质性的益处。此外，在适应时，较大的模型通过少样本微调可以提高任务性能，而多语言模型在适应时表现不如单语言模型。

该论文介绍了为印度东北地区的十三种资源匮乏的语言创建双语语料库，并提供了初步翻译结果。计划将这些语料库扩展到包括更多印度语言，并创建全球范围的语料库。

本文研究了零资源环境中的词性标注方法，适用于资源匮乏的语言。通过预训练的多语言语言模型或源语言标签映射到目标语言并训练序列标注模型，可以有效进行词性标注。研究结果表明，在零资源语言中进行映射对于预测词性标签是有益的。