本研究探讨了资源丰富语言与低资源语言之间的标注资源差异，提出了mTEMPREASON数据集和跨语言时间敏感语义对齐(CLITSSA)方法，显著提升了低资源语言的时间推理能力。实验结果显示，CLiTSSA在罗马尼亚语、德语和法语的时间任务中优于现有基准。

本研究提出AlignXIE模型，旨在解决大语言模型在多语言信息提取中的跨语言对齐不平衡问题。AlignXIE通过将信息提取任务转化为代码生成，并结合翻译实例预测，展现出优越的跨语言信息提取能力，超越了ChatGPT等技术。

本文探讨了大型语言模型的上下文学习（ICL）新范式，分析了训练策略、示例设计及其挑战。研究表明，ICL在少量样本下表现优异，不同模型对上下文示例的利用差异显著。通过优化示例排序和双向对齐方法，提升了文本分类的准确性，并提出了跨语言对齐策略，显示出在多任务中的有效性。整体上，ICL为模型的安全性和对齐性提供了新的视角。