本文探讨了通过翻译和转写提升低资源语言的问答技术，利用增广数据微调 mBERT 模型，并引入对比损失以提高翻译准确性。研究评估了多语言模型在文化多样性背景下的表现，发现单语言模型在数据充足时优于多语言模型。此外，提出了 CultureLLM 解决方案，通过语义数据增强生成训练数据，显著提升文化相关模型的性能。

本文介绍了一种通过自然对话来协助用户进行预测任务的智能代理。通过引入预测话语的概念，并采用实体抽取和问答技术解决槽填充问题，实验证明了该方法的可行性和有效性。