NLP 多语言研究全景图:研究者梳理低资源数据到语言识别的开放方向
StellaLisy · x · 2026-10-15
研究者 Niyati Bafna 在 EMNLP 前整理了一份多语言 NLP 的开放问题清单,以 LLM 视角梳理该领域的前沿方向与代表论文,供寻找研究项目的人参考。
- 数据侧:低资源场景下如何做训练/评测数据的选择与清洗(如基于模型的多语言预训练数据筛选)
- 语言识别(LID):超出几百种高资源语言后,LID 因语言相近、数据稀缺、正字法不统一和网络数据混杂而变得困难,需要更好的分类体系与可靠系统(如覆盖 350+ 语言的层级模型 LIMIT)
- 训练数据配比与采样:如何应对语言间严重不均衡
作者强调这是一份个人阅读趣味导向的清单而非权威综述,偏 LLM、缺计算语言学视角,欢迎在 EMNLP 现场交流。
「研究」频道最新
- Cohere 研究多智能体团队扩展：加 agent 不免费，组织方式是关键 — Cohere_Labs · 2026-10-15
- Colossal 用 AI 重建灭绝基因组并追踪濒危物种 — IgorCarron · 2026-10-15
- Thinking Machines 推出 Dimuon 优化器,LoRA 微调有望告别 AdamW — simonguozirui · 2026-10-15
- NVIDIA 报告:GPT-6 Astra 做机器人策略,Agentic 方案 RoboLab-120 达 74.8% — YuXiang_IRVL · 2026-10-15
- Bittensor 子网完成千万次合成 CRISPR 实验,248 名矿工竞价参与 — markjeffrey · 2026-10-15
- Qwen3-1.7B 拒答「被关机」：每层都训与只训末四层差别巨大 — Sauers_ · 2026-10-15