最新模型显著提升了在 COBOL、Fortran 和 Visual Basic 等低资源编程语言中的软件构建与迁移能力。尽管这些语言训练数据稀缺,但支撑着全球关键基础设施(如银行系统),该改进旨在帮助团队维护现代化遗留代码。用户可通过 API 试用并反馈以优化后续训练。
低资源语言
Low-resource Language
指缺乏大规模标注文本数据、难以直接训练高性能模型的少数群体语言。
收录情报动态
OpenAI 发布针对 COBOL、Fortran 等低资源遗留语言的模型优化成果,GPT-6 Astra 在 MultiLangBench 测试中平均通过率从 38% 提升至 87.4%。在 COBOL 迁移基准测试中,GPT-6.1 Sol 准确率高达 97.9%,显著优于前代模型,旨在解决关键基础设施的现代化难题。
最新 AI 模型显著提升了在 COBOL、Fortran 和 Visual Basic 等低资源编程语言中的代码生成与迁移能力。该进展旨在解决关键基础设施软件维护难的问题,通过 API 向开发者开放测试以收集反馈并优化后续训练。
NVIDIA 与 AI4Bharat 联合发布了包含 2.8 万亿 Token 的大规模 Indic(印度语系)预训练数据集,涵盖 22 种语言的原始脚本数据及 12 种语言的罗马化数据。该工作不仅提供了高质量的多语言语料,还开源了一套可复用的 GPU 加速数据处理管线,集成了翻译、质量评估与自动修复功能,旨在解决低资源语言大模型训练中的数据瓶颈问题。
阿布扎比人工智能研究所(TII)正式推出开源语音识别模型 Falcon ASR,重点解决阿拉伯语在自动语音识别中的低资源痛点。该模型基于 Falcon LLM 系列架构,针对阿拉伯语方言及英语混合场景进行了深度优化,旨在为中东地区提供高精度、可定制的本地化语音交互基础设施。
Google Research 发布 WAXAL,这是一个包含 27 种撒哈拉以南非洲语言的大规模开放语音数据集,涵盖 ASR 和 TTS 数据。该数据集采用宽松许可协议,旨在填补低资源语言的技术空白,赋能非洲本地 AI 生态构建更包容的语音系统。
文章标题提出“FilBench”基准,旨在测试大语言模型对菲律宾语的理解与生成能力。由于正文内容缺失,无法获知具体的评测方法、数据集构成或实验结果。
Hugging Face 与印度理工学院(IISc)及 ARTPARK 达成合作,正式向全球开发者开放“Vaani”数据集。该数据集是印度目前最多样化的开源多模态、多语言资源,旨在降低针对印度本土语言构建 AI 模型的门槛。
Hugging Face 联合 Inception AI 发布 AraGen,这是首个针对阿拉伯语大模型的生成式任务基准与排行榜。该基准引入了名为 3C3H 的新型自然语言生成(NLG)评估指标,旨在解决低资源语言在全面、鲁棒性评测方面的挑战。项目计划将此框架扩展至其他代表性不足的语言,并邀请社区协作以动态更新模型性能排名。
冰岛政府计划利用 GPT-4 技术来保护和复兴冰岛语。该举措旨在通过大模型处理低资源语言数据,防止语言消亡。目前仅披露了意向性声明,缺乏具体实施细节与技术参数。