#低资源语言

339M 参数的小模型，用一个 epoch 的合成问答对微调，哈萨克语检索 recall@1 从 60.8% 拉到 78.0%，还压过 OpenAI text-embedding-3-large。做低资源语言检索或想复刻这套合成数据微调流程的工程师都该看看细节。

做阿拉伯语教育 NLP 的可以看看，999 条科学实验加 2167 道选择题，还附了 10 个开源模型的 LoRA 微调评测结果，即将开源。

巴斯克语也能做语音对话了，用 Latxa 加合成数据就搞定，做小语种语音模型可以参考这套做法。

一篇做语音识别公平性评估的数据集论文，专门针对 Bemba 和 Nyanja 这两种缺数据的非洲语言，做 ASR 偏见检测的可以看看。

一家小团队花 1.33 万美元从零训了个泰米尔语小模型，8 张 H100 六天搞定，还开源了权重和训练细节，低资源语言玩家可以抄作业。

只有 1K 平行句对也能用回翻译把低资源语言翻译提上去，比继续预训练好不少，做小语种翻译的可以看看这篇论文。

孟加拉语这种低资源语言上，Llama 4 Maverick 不微调就拿下 0.931 的 F1，比 BanglaBERT+XGBoost 还高，做低资源语言分类的可以看看。

一篇关于小语种文化评估的论文，母语者出题测 LLM，发现海地角色老被写成苦难叙事，角度挺有意思。

加纳团队用 Qwen3-ASR-0.6B 给三种本地语言做语音识别，Ewe 错误率砍掉近一半，还上线了健康问答应用 KasaHealth，低资源语言落地的完整参考。

孟加拉语医疗问答系统BanglaMed-QA上线，解决低资源语言医疗信息缺口，准确率达95%。

论文揭示SFT和RL如何让模型真正用低资源语言思考，而非表面准确率提升，还发布了五个实用检查点。

这篇论文讲孟加拉语在AI基建里的吃亏，67:1的token差距和36.5%的农村联网率是硬数据。

这篇论文用依赖解析器代替人工标注做偏好优化，北欧三种低资源语言上效果提升明显，做多语言模型的人可以看看。

做波斯语OCR不用愁数据了，Persian Pixel有34万张合成图加上25种真实退化模拟，直接拿它训模型比手动标注省事得多。

这篇论文告诉你如何微调Whisper搞定低资源语言阿萨姆语的语音识别，效果比零样本好一大截，WER直接降了78%

这篇论文很实在，直接指出LLM-as-a-Judge在多语言场景下不靠谱，只找出33篇相关研究还一堆问题。做NLP评估的朋友建议看看。

低资源语言NLP开发者终于有了可本地部署的高效嵌入方案——e5-sk系列在体积缩减62%后仍能匹敌商业API，做斯洛伐克语语义搜索或RAG的团队可以直接用开源模型替代付费服务。

低资源语言ASR团队终于有了可落地的数据增强方案——用LLM+TTS生成对话数据，效果堪比数倍真实数据。做多说话人语音识别的开发者值得一试，尤其适合匈牙利语等小语种场景。