★ 3
研究发布豪萨语安全偏好数据集 HausaSafeLM，评估 SFT 与 DPO 对齐效果
论文针对西非逾 2 亿人使用的豪萨语，基于 PKU-SafeRLHF 构建 1 万条提示的 HausaSafeLM 安全偏好数据集（3000 条人工校正、7000 条机器翻译）。在 Qwen2.5-7B-Instruct 上比较 SFT 与 SFT+DPO，发现基座模型高拒答率实为生成能力不足；D…
arXiv NLP5 天前
#低资源语言
共 34 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
研究审计 51 个多语言基准：36% 语言仅出现在单一基准中
论文对 51 个近期多语言基准、242 个数据集、219 种语言进行数据驱动审计，从覆盖度、代表性、严谨性三方面评估。发现覆盖广而不深，36% 语言只出现在一个基准里，低资源语言仅覆盖 1-3 类任务，56% 数据语言实例由英语翻译而来，且存在基准污染与平行语料重叠问题。作者据此提出原生构建、文化…
arXiv NLP5 天前
★ 3
研究：低资源语言拒答方向迁移不具普遍性，Qwen2.5-14B 实验
论文将 PolyRefuse 扩展到白俄罗斯语、巴什基尔语和塔吉克语，在 Qwen2.5-14B-Instruct 上复现拒答方向迁移实验。结果显示拒答方向的普遍性是分级的而非二元的：安全对齐语言的方向可广泛迁移，而严重未对齐语言的方向无法可靠调控拒答行为，提示最弱势语言用户面临更弱的安全保障。
arXiv NLP11 天前
★ 3
OpenAI 改进 ChatGPT 对低资源编程语言的支持
OpenAI 发文介绍其在低资源编程语言方面对 ChatGPT 的改进，并新增了软件工程、SQLite 和 COBOL 迁移等评测。此举旨在提升模型在冷门语言与遗留系统场景下的代码能力，扩大 ChatGPT 在企业和迁移项目中的适用范围。
36氪13 天前
★ 3
研究提出依赖假说：低资源语言中思维链更忠实
论文首次将思维链忠实度与语言资源水平和任务类型关联，在八种语言的 MMMLU 平行多选题上测试四个模型。发现知识密集型任务中资源水平越低忠实度越高，推理密集型任务则不然，并提出依赖假说：模型无法回忆答案时更依赖推理。
arXiv NLP14 天前
★ 3
HeRE：用 LLM 去噪知识图谱对齐构建希伯来语关系抽取基准
论文提出可扩展、语言无关的关系抽取数据构建方法，通过自然语言推理任务对知识库与文本的噪声对齐去噪，并比较五种去噪策略。结果显示少样本下多语言模型优于希伯来语专用模型，而专用编码器在 NLI 微调下仍有竞争力；母语提示效果不逊于英语提示。最优开源模型 Gemma-4-31B-it（F1 0.915）…
arXiv NLP14 天前
★ 3
Pearl-Chat：用 JAX 从零构建 850 万参数卢干达语模型并开源
论文发布 Pearl-Chat，一个约 847 万参数的因果解码器 Transformer，专为东非逾千万人使用的低资源班图语卢干达语设计，基于 JAX 与 Flax NNX 从第一性原理实现。自建字节级 BPE 分词器（词表 8192）实现每 token 4.88 字符、每词 1.60 toke…
arXiv NLP14 天前
★ 3
Orange 发布沃洛夫语开源权重模型 0.6B-14B
Orange 发布适配沃洛夫语的 0.6B 至 14B 开源权重模型，通过指令微调、偏好对齐与模型合并构建。在 63 项公开与内部任务上，8B 与 14B 模型表现可与更大商业系统竞争。模型已在客服试点中评估，并在 Hugging Face 公开。
arXiv NLP17 天前
★ 3
ELARSpeech 发布 675 种低资源语言 3 万小时语音数据集
研究者发布 ELARSpeech，一个包含 30,202 小时语音、覆盖 675 种低资源语言的大规模多语言语音数据集，语料来自濒危语言档案库。实验表明该数据集可扩展 ASR 与 TTS 在长尾语言上的能力，伪标注无标签数据还能进一步提升效果。团队同时公开数据集、训练好的 ASR/TTS 模型及完…
arXiv NLP18 天前
★ 3
Neurograf v1：罗马尼亚语优先的端到端语言模型家族
研究者发布实验性罗马尼亚语优先语言模型管线Neurograf v1，包含635GB语料RoSfera、80k字节级BPE分词器、160M至6B参数的五个解码器模型、三个指令微调助手与两个对比学习嵌入模型。Neurograf-6B在1000题WWTBM基准的罗马尼亚语境问题上达69.89%准确率。研…
arXiv NLP21 天前
★ 2
TRIDENT 与 SHAKTI：印地语 AI 生成文本检测框架与基准
研究团队发布 SHAKTI，一个覆盖四类文体、八个 LLM 家族的大规模印地语 AI 文本检测基准，并基于往返翻译语义一致性提出 TRIDENT 检测框架。TRIDENT-S 变体在实验中整体表现最佳，并在七种语言与对抗设置下验证了多语言适用性。
arXiv cs.AI2 小时前
★ 2
研究用发音词典监督 Qwen3-TTS 适配爱尔兰语
研究者用 12.8 小时 Common Voice 爱尔兰语语音微调 Qwen3-TTS，并修正厂商微调脚本两处缺陷，跨语料字符错误率降至 0.225。随后将维基词典发音记录编译为词典与音素判别器，用于拒绝式微调，跨语料 CER 进一步降至 0.159、域内 0.067，同时揭示训练数据方言严重失…
arXiv NLP3 天前
★ 2
研究提出 vocab2text 框架：用人工词表为极低资源语言生成文本
论文提出结合人工编纂词表与少量人工例句的框架，按 Zipf 分布采样候选词，让具备推理能力的 LLM 为极低资源甚至未见语言生成连贯文本。在多种资源水平语言上以词汇多样性、偏离率和人工流畅度评估，句级效果突出，段落级亦有潜力。代码已开源。
arXiv NLP5 天前
★ 2
首个巴斯克语开源语音语言模型发布
研究团队基于 LLaMA-Omni 架构与 Latxa 骨干模型，构建首个面向低延迟端到端语音交互的巴斯克语开源语音语言模型。为缓解数据稀缺，将英文 VoiceAssistant-400K 语料翻译为巴斯克语并用本地 TTS 合成音频，评测内容质量 3.86/5、词错误率 9.94%、UTMOS …
arXiv NLP5 天前
★ 2
研究者发布 885 小时孟加拉语语音语料 Lipi-Ghor
研究者发布 Lipi-Ghor，一个弱监督构建的大规模孟加拉语语音语料库，含 885 小时音频，来自 998 个 YouTube 视频、596 个频道，覆盖 17 个领域。该语料首次为孟加拉语提供大规模、带说话人分离的长音频标注，并附带可复用的构建流程。团队在零样本与微调条件下评测四个主流 ASR…
arXiv NLP5 天前
★ 2
研究：1158 篇论文揭示低资源语言研究增长但覆盖失衡
研究分析 2020 至 2025 年间 1158 篇开放获取论文，考察低资源语言的研究关注度与语言代表性。作者提出语言包容性框架 LIF，从研究增长、代表性扩展、连续性与分布公平四维度衡量。结果显示论文数量增长 5.4 倍，但增长集中于已有代表性的语言，亚洲语言与撒哈拉以南非洲、东南亚覆盖明显不足。
arXiv NLP10 天前
★ 2
GRPO 强化学习提升低资源语言语音识别，开源 SunflowerASR
arXiv 新论文将 Group Relative Policy Optimisation（GRPO）强化学习扩展到非 LLM 的小型编码器-解码器语音识别模型，以 Whisper-large-v3 为基线在 51 种非洲语言上验证。该方法在训练数据稀缺、音频含噪或退化时收益最明显。所得模型 Su…
arXiv cs.AI10 天前
★ 2
MADARTB：首个覆盖五种城市方言的阿拉伯语平行依存树库开源
研究者发布 MADARTB，首个覆盖贝鲁特、开罗、多哈、拉巴特、突尼斯五种城市方言并扩展标准阿拉伯语的平行依存树库，共 5000 句。分析显示各方言全局句法相似但局部结构差异明显。监督解析器 LAS 达 87.5%，最佳大模型配置为 85.7%。
arXiv NLP11 天前
★ 2
GLOSS-MT：可编辑词典实现低资源机器翻译可控
论文提出 GLOSS-MT，用离线英-契维语词典就地替换源语名词短语，再一次性微调翻译模型处理混合输入，从而低成本加入术语可控性。在 NLLB-200、OPUS-MT 与 TranslateGemma 4B 上，所有微调版本 chrF2 均高于基座，三个 NLLB 微调成为最佳开源系统。替换词典条…
arXiv NLP13 天前
★ 2
RareCipherFT 提出密文训练法提升稀有语种术语翻译
论文提出 RareCipherFT 方法，通过在上下文示例与参考译文中将稀有术语替换为字符打乱的密文，迫使模型只能从上下文中复制该术语，从而强化上下文术语学习（ICTL）能力。在英语与泰米尔语、阿萨姆语、米佐语、尼泊尔语、豪萨语七个翻译方向、1B 至 7B 四个模型上，术语召回率较标准 IC-Tr…
arXiv NLP13 天前
★ 2
BanglaShield：孟加拉语提示安全分类器与基准开源
研究团队发布 BanglaShield，覆盖孟加拉语原生、罗马化与代码混合三种书写形式的提示安全分级分类资源与模型。基准测试显示，主流 LLM 分类器将 47% 的不安全原生脚本提示误判为安全，罗马化后升至 63.4%。BanglaShield 微调编码器在原生脚本上宏 F1 达 87.8，参数量…
arXiv NLP13 天前
★ 2
alkhder 用 QLoRA 微调 NileChat-3B 做英译阿拉伯方言对话
论文介绍 AlexandriaX-2026 共享任务子任务 1 的参赛系统，目标是把英语对话轮次翻译成 13 种阿拉伯方言。团队用 QLoRA 在 Alexandria 平行对话语料上微调 NileChat-3B-Base，一套适配器权重覆盖全部方言，并以目标国家、方言、领域、角色、性别方向及前文…
arXiv NLP14 天前
★ 2
研究评测 LLM 英孟双语摘要能力
论文对八款闭源与开放权重 LLM 在英语和孟加拉语 XL-Sum 测试集上进行零样本摘要评测，结合词汇、语义指标与事实性验证。结果显示 GPT-5.6 Luna 在英语词汇指标领先，但孟加拉语中 LLaMA 3.3 70B 的 ROUGE 和 BLEU 最高，Gemini 2.5 Flash 事实…
arXiv NLP18 天前
★ 2
Nheengatu 机器翻译：开放系统与可复现语料管线
研究者为亚马逊通用语 Nheengatu（约 6000-10000 名使用者）构建了迄今最大的 1.45 万对葡萄牙语-Nheengatu 平行语料，以 2023 年巴西联邦宪法官方译本为锚，并发布首个基于转写口语的评测集与首个双向开放权重翻译模型。葡译 Nheengatu 在宪法文本上达 31.…
arXiv NLP19 天前
★ 2
阿姆哈拉语-英语跨语言问答系统：统计机器翻译与语义索引
论文提出双向阿姆哈拉语-英语跨语言问答系统，整合统计机器翻译、最大熵命名实体识别与语义索引，让用户用任一种语言提问并从另一种语言文档中检索答案。阿姆哈拉语到英语检索精确率 72%、召回率 79%，英语到阿姆哈拉语为 65% 和 70%，显示低资源条件下模块化架构仍有效。
arXiv NLP19 天前
★ 2
System One 模型能否迁移？印尼区域语言评测
研究对商业 Jev 模型与开源 Laya-multilingual 模型在印尼区域语言上进行预注册评测，使用 NusaX 与 NusaTranslation 数据集。Jev 在词汇上更接近印尼语的句子上更准确，提供印尼语人工翻译可提升最高 37.2 分；重训练分类器需每语言超 500 条标注才能匹…
arXiv NLP19 天前
★ 2
藏语NLP进展：首份系统性文献计量综述发布
研究者发布首份经同行评审的藏语NLP系统性文献计量综述，覆盖2004至2026年间ACL Anthology与DBLP的140篇论文。结果显示84%成果出现在2018年后，中国研究者主导了87%的一作论文，研究沿NLP全流程自下而上扩展。综述同时指出方言覆盖、负责任NLP、原生评测与资源开放（仅2…
arXiv NLP21 天前
★ 2
僧伽罗语到英语机器翻译幻觉检测框架
研究者针对僧伽罗语到英语低资源翻译中的幻觉问题，提出无参考幻觉检测框架，构建了 4.5 万样本合成数据集。微调的 mDeBERTa-v3 在令牌级 F1 达 0.841，三信号集成在句子级 AUROC 达 0.970。基准测试显示八种 NMT 系统的检测触发率相差一个数量级。
arXiv NLP24 天前
★ 2
sk-bench：斯洛伐克语原生 LLM 基准发布
研究者发布 sk-bench，一个面向斯洛伐克语的原生优先 LLM 基准，包含 30 个数据集和 33 个评分任务变体，覆盖十类技能。评估 55 个开源与闭源模型，最佳开源模型落后专有 API 12.6 分。研究为其他低资源语言提出四条设计经验，并开源数据与代码。
arXiv NLP25 天前
★ 2
模型即库：非洲低资源语言的离线社区AI
论文提出「Model as a Library（MaaL）」架构，将小型社区录入的语音模型打包为可版本化的端侧依赖，实现离线结构化数据采集。其词表由说话者在部署现场用少量录音直接录入，避免网络爬取语料对非洲语言方言差异的系统性失真。文章属系统设计立场论文，给出机制与可行性分析。
arXiv cs.AI32 天前