多语言NLP

研究者推出首个系统性吉尔吉斯语大模型评测基准KyrgyzLLM-Bench，包含原生数据集与翻译任务，评估26个开源与闭源模型在零样本和少样本下的表现。

研究发现，现有毒性检测工具在多语言、语码混合、音译及俚语场景下可靠性存疑。研究者提出ToxGate方法，将外部信号作为条件证据处理，显著提升了高风险内容的识别效果。

最新研究首次系统评估乌尔都语假新闻检测模型的跨数据集泛化能力，发现数据集间存在严重不对称性，模型在反向测试中准确率暴跌至接近零，根源在于数据集中假新闻与真新闻的平均长度存在3.4倍差异导致的捷径学习。

研究者针对土耳其语和阿拉伯语构建了涵盖难民、民族冲突等主题的仇恨言论数据集，并开发了基于BERT的多维度检测模型，以应对网络仇恨内容治理挑战。

一项研究通过多语言语料分析，揭示了世界杯门将沃齐尼亚在赛后粉丝激增背后的算法叙事机制，展示了不同语言如何塑造独特的传播框架。

最新研究通过在多语种大模型上的实验表明，跨语言迁移效果主要取决于任务格式对齐程度，而非语言之间的亲缘关系。

研究团队提出TOTEN框架，通过知识本体取代传统统计分词方法，实现对物理量、数字、单位等工程实体的结构化识别，在巴西葡萄牙语技术文本中展现出显著性能优势。