新闻详情

新闻详情

首页 / 资讯中心 / 详情

Advancing Large Language Models for Tibetan with Curated Data and Continual Pre-Training

发布时间:2026/11/15 23:33:59来源:尧图网络
Advancing Large Language Models for Tibetan with Curated Data and Continual Pre-Training
文章主要内容总结本文针对藏语作为低资源语言在现有大语言模型中支持不足的问题,提出了一套涵盖数据构建、模型训练与评估的完整方案,旨在提升大语言模型的藏语处理能力。具体内容包括:藏语预训练语料库构建:从开源数据集、大规模网页爬取、合成数据生成、私有数据四大来源收集藏语数据,通过定制化数据清洗与去重流程(包括语言过滤、质量过滤等),最终构建了72GB的高质量藏语语料库,为目前规模最大的藏语预训练数据。模型训练:以多语言模型Qwen2.5-7B-base为基础,通过两阶段持续预训练(语言平衡预训练与长上下文预训练)增强藏语能力,同时扩展词汇表以提升藏语分词效率;后续通过多语言指令微调进一步优化模型的任务适应性,支持藏语、汉语、英语三种语言。评估基准构建:针对藏语标准化评估基准匮乏的问题,通过翻译现有英语基准(如HellaSwag、ARC等)并经母语者校对,构建了4个新的藏语评估基准,结合已有的2个公开基准,形成全面的评估体系。实验结果:所提模型在各类任务中持续且显著优于同规模开源模型和藏语专用模型,部分性能接近更大规模模型,验证了方法的有效性。创新点构建了基础资源:打造了目前最大的高质量藏语预训练语料库,并开发了多个专门针对藏语大语言模型的评估基准,为藏语自然语言处理奠定了基础。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉