本研究探讨如何利用大型语言模型提升低资源语言的机器翻译，分析了示例提示、跨语言迁移和微调等技术，并比较了大型语言模型与传统模型的优缺点。

本文介绍了多种词性标注方法，包括基于后缀和字形信息的快速适应标注器、bi-LSTM模型以及联合词性标注与依存分析。这些方法在不同语言和领域中表现出色，特别是在处理未分割文本和濒危语言时，结合半监督和跨语言迁移技术取得了显著提升。

本研究探讨了多语言模型中子词共享语义的作用，提出通过合并相似子词形成“语义标记”。结果表明，这种共享语义显著提升了模型在多任务中的表现，尤其在分类任务中，使用语义标记的模型表现优异，强调了其在跨语言迁移中的重要性。

研究提出了一种主动遗忘的预训练策略，提升大型语言模型在非英语语言上的表现。该方法使解码器语言模型更有效地进行跨语言迁移，实验表明模型在适应新语言时表现优异，并在多个任务中取得更好成绩。

本研究提出了一种新方法，通过结合语言和数学能力解决非英语任务中的数据不足问题。采用层交换技术的合并模型在数学基准测试中性能提升了10%，展示了跨语言迁移推理的潜力。

本文介绍了一种生成模型，通过结构化正则先验联合学习源和目标模型参数，解决跨语言迁移问题。利用可逆投影学习公共嵌入空间，提升跨语言词嵌入效果。在英语为源的依赖树库上评估，对10种语言的词性标注和依赖分析分别提升5.2%和8.3%。

本文提出了一种生成模型，通过结构化的正则先验利用标记源数据和未标记目标数据联合学习源模型和目标模型的参数来解决跨语言迁移的问题。该方法在10种语言中获得了平均5.2％和8.3％的绝对改善。

研究者提出了一种利用视觉表征学习和无监督学习的框架进行文本语义学习的方法。该方法通过文本扰动实现对文本的连续感知，并通过大规模无监督主题对齐训练和自然语言推理监督来提高语义文本相似度性能。研究还展示了方法的跨语言迁移能力和语言迭代训练中的独特突破模式。

本文提出了一种生成模型，通过结构化的正则先验利用标记源数据和未标记目标数据联合学习源模型和目标模型的参数来解决跨语言迁移的问题。该方法在10种语言中相较于使用最先进的判别模型的直接转移方法，在词性标注和依赖分析方面分别获得了平均5.2％和8.3％的绝对改善。

本研究介绍了两个新的多语言数据集，用于文档图像分类任务。研究对文档智能模型进行了全面研究，包括多标签分类和零样本跨语言迁移设置。实验结果显示多语言文档智能模型在跨语言迁移上存在局限性。