本文探讨了TransliCo框架中转写对多语言预训练语言模型（mPLM）性能的影响。研究表明，转写显著提升了低资源语言的表现，并在多个基准测试中提高了跨语言表示的相似度。MTrans框架和MiLMo模型在处理少数民族语言和未知脚本时表现优异，解决了多语言模型在这些领域的不足。

本文综述跨语言表示研究，提出重对齐、去除语言特异性均值方差及形态重排等方法以降低迁移障碍；利用几何代数分离语言身份信息，显著提升弱对齐模型性能；分析多语言模型沿语言敏感与中性轴编码信息；采用无监督分布匹配优化词嵌入映射；定位语言特定信息的维度与层次；提出子空间嵌入压缩模型；并质疑少监督即可获得高质量跨语言嵌入的观点。