大模型few shot--多语言与跨领域泛化

目录
摘要
少样本的跨语言与跨领域泛化能力远低于同语言同领域,示例的泛化距离决定了锚定效果。本文拆解跨语言提示的三种策略(示例翻译、目标语言示例、桥梁语言)、领域迁移中的分布偏移问题与低资源语言的特殊挑战,给出混合语言输入的格式方案与泛化失败的诊断流程,文末附多语言多领域示例系统的完整代码。
1. 少样本的跨语言能力
1.1 跨语言少样本的性能衰减
大模型的少样本能力主要来自英语语料的预训练。当查询是非英语(如中文)而示例是英语时,模型需要在"从英语示例归纳映射"和"将映射应用到中文查询"之间做一次跨语言迁移,这个迁移会损失精度。
图:跨语言少样本的性能衰减
图下解读:衰减幅度取决于两个语言在预训练语料中的共现程度。英语和法语共现多(大量翻译对照语料),跨语言衰减小;英语和小语种共现少,衰减大。中文处于中间位置,与英语的翻译语料量大但语言结构差异也大。
1.2 衰减的量化参考
| 示例语言 | 查询语言 | 相对同语言示例的衰减 |
|---|---|---|
| 英语 | 中文 | 下降五到十个百分点 |
| 中文 | 中文 | 基线 |
| 英语 | 日语 | 下降八到十五个百分点 |
| 中文 | 英语 | 下降三到八个百分点 |
最后一行的衰减小于第一行,原因是模型对英语任务的处理能力普遍更强(预训练以英语为主),即使示例是中文,英语查询也能部分靠模型自身能力补偿。这说明一个不对称性:高资源语言的查询对示例语言的依赖更小。
1.3 判断跨语言能力的快速测试
# 来源:自实现 / cross_lingual_test.py(跨语言能力快速测试)
def test_cross_lingual(model, task_examples_zh: list,
task_examples_en: list,
eval_queries_zh: list) -> dict:
"""对比中文示例与英文示例在中文查询上的效果"""
acc_zh = evaluate(model, task_examples_zh, eval_queries_zh)
acc_en = evaluate(model, task_examples_en, eval_queries_zh)
return {"same_lang": acc_zh,
"cross_lang": acc_en,
"gap": round(acc_zh - acc_en, 3),
"recommendation": "用目标语言示例" if acc_zh - acc_en > 0.03
else "跨语言能力足够"}
if __name__ == "__main__":
zh_ex = load_examples("zh")
en_ex = load_examples("en")
queries = load_eval("zh")
result = test_cross_lingual(model, zh_ex, en_ex, queries)
print(f"中文示例 {result['same_lang']:.2f},"
f"英文示例 {result['cross_lang']:.2f},"
f"差距 {result['gap']:.3f}")
源码说明:测试对比同一任务在两种示例语言下的准确率。差距超过三个百分点就建议用目标语言示例,不超过则说明模型的跨语言迁移能力足够,英文示例可以直接用(节省翻译成本)。
2. 跨语言提示的三种策略
2.1 策略对比
| 策略 | 做法 | 效果 | 成本 |
|---|---|---|---|
| 示例翻译 | 把英文示例翻译成目标语言 | 最好 | 翻译成本 |
| 目标语言原生 | 直接找目标语言示例 | 最好但可能不够 | 采集成本 |
| 桥梁语言 | 用英语做中间层 | 中等 | 零翻译成本 |
2.2 示例翻译的注意事项
用模型翻译示例时,有三个细节决定翻译质量。第一,标签词要翻译但保持一致:如果中文示例用"输入:/输出:",所有翻译后的示例也用同样的标签。第二,专有名词不翻译:技术术语保留英文原文。第三,翻译后跑格式同构检查(第 5 篇的工具),确保翻译没有破坏结构。
图:示例翻译的流程
图下解读:翻译不是一步到位的。翻译后必须过第 5 篇的两关格式检查:结构签名一致加格式一致率达标。翻译常见的问题是标签词翻译不一致(有的翻有的没翻)和空行被吞。
2.3 桥梁语言策略
桥梁语言策略的操作:查询先翻译成英语,用英语示例做少样本推理,输出再翻译回目标语言。两次翻译引入额外延迟与误差,但在两种情况下有优势。
第一,目标语言示例极度匮乏(小语种场景),桥梁是唯一可行路线。第二,任务的推理部分在英语上效果显著更好(数学、逻辑),翻译成英语再推理可能比直接在目标语言上推理更准。
| 场景 | 推荐策略 | 理由 |
|---|---|---|
| 高资源语言(中英日韩) | 示例翻译 | 一次翻译即可 |
| 低资源语言(东南亚小语种) | 桥梁语言 | 无法采集原生示例 |
| 推理密集任务 | 桥梁语言 | 英语推理能力更强 |
2.4 翻译质量的验证
示例翻译的质量直接影响少样本效果,不能假设模型翻译完美。验证方法:翻译后跑一次零样本对比——用翻译示例和原生示例各跑同一评测集,差距应在两个点以内。差距超过五个点说明翻译引入了语义偏移(如情感词的语气被翻译弱化),需要人工抽检修正。
翻译中最常见的三类问题:第一,标签词遗漏翻译("输入"保留但"输出"被翻译),导致格式不一致。第二,语气词被翻译平滑(“超级差"翻译成"很差”,情绪强度降低)。第三,否定句翻译出错(双重否定变成肯定)。三类问题都可以用格式检查器加人工抽检捕获。
3. 领域迁移:从通用到垂直
3.1 领域偏移对少样本的影响
模型的少样本能力在通用领域最强(预训练分布的核心),迁移到垂直领域(医疗、法务、金融)后效果下降。下降的原因不是模型不懂领域知识(预训练语料包含大量领域文本),而是领域任务的判定口径与通用任务不同。
图:领域偏移对示例效果的影响
图下解读:通用示例教会模型"好的体验算正面",但医疗领域"指标正常但患者焦虑"应该算什么?通用口径没有覆盖这类判定。领域示例的价值不是教模型领域知识,而是锚定领域特有的判定口径。
3.2 领域示例的来源
| 来源 | 质量 | 数量 | 成本 |
|---|---|---|---|
| 领域专家标注 | 最高 | 少(几十条) | 最高 |
| 通用示例加领域改写 | 中到高 | 中 | 中 |
| 领域文档自动构造 | 低到中 | 大 | 低 |
推荐的生产路径:专家标注十到二十条核心示例(含边界案例),通用示例用模型改写为领域版本(改实体不改结构),两者合并后做格式检查。这个组合在质量与数量之间取得平衡。
3.3 领域迁移的量化距离
领域间的"距离"可以用嵌入空间的统计量来近似度量。方法:分别计算两个领域示例集的平均嵌入向量,取余弦相似度作为领域距离。距离近的领域对(如电商客服与外卖客服)示例可以互用,距离远的领域对(如电商客服与法律咨询)必须分池。
| 领域对 | 嵌入余弦相似度 | 示例可复用性 |
|---|---|---|
| 电商客服 vs 外卖客服 | 高(约0.8以上) | 大部分可复用 |
| 电商客服 vs 医疗咨询 | 中(约0.5到0.7) | 结构可复用、内容需改写 |
| 电商客服 vs 法律咨询 | 低(约0.3以下) | 必须完全分池 |
度量方法五分钟可以落地:各取两领域的五十条示例,计算平均嵌入向量的余弦相似度。低于零点五的领域对不要尝试共用示例,改写成本不低于重建。
4. 跨领域示例的设计原则
4.1 保持结构、替换内容
跨领域示例复用的关键是:结构完全不变,只替换领域内容。比如把电商评论的情感示例改写为医疗患者反馈的情感示例,输入输出格式、标签词、分隔符全部保留,只换具体文本。
// 来源:自实现 / domain_transfer.txt(领域改写示例)
原始(电商):输入:物流太慢了等了半个月\n输出:负面
改写(医疗):输入:等检查结果等了半个月\n输出:负面
原始(电商):输入:包装破损但客服处理很快\n输出:正面
改写(医疗):输入:手术有风险但医生解释很清楚\n输出:正面
改写保持了两条示例的核心结构:第一条是纯负面,第二条是"有问题但服务好=正面"。模型从这个改写中学到的口径与原示例一致,只是应用到了新领域。
4.2 跨领域共用一个示例集的条件
| 条件 | 说明 | 影响 |
|---|---|---|
| 任务定义相同 | 都是情感分析 | 可以共用结构 |
| 判定口径相似 | "好体验=正面"跨领域通用 | 可以共用 |
| 边界案例重合 | "有缺点但有补偿=正面"在各领域都成立 | 示例可以直接复用 |
三个条件都满足时,一个领域的示例可以直接用于另一个领域。医疗和电商在"服务态度"维度上口径相似,但在"专业准确性"维度上差异大(电商没有这个维度),此时需要补充领域特有的边界示例。
4.3 示例复用的量化验证
跨领域示例复用不是凭感觉,可以量化验证。方法:把评测集按领域分组,用领域 A 的示例在领域 B 的评测集上跑,对比领域 B 专属示例的成绩。差距在三个点以内说明可以复用,超过则说明领域口径差异需要专属示例。
这个验证在多领域产品的示例策略决策中非常实用。假设产品覆盖电商和医疗两个领域,验证结果如果显示差距只有两个点,就只需要维护一套通用示例集(省一半维护成本);差距十个点则必须分池维护。结论因业务而异,唯一确定的是:不验证就假设可以复用,比验证的成本高得多。
4.4 多领域共存的示例池架构
当产品覆盖三个以上领域时,示例池的架构选择变得重要。两种方案各有代价。
方案一:单一池加领域标签。所有领域的示例放在同一个池里,每条示例标注所属领域。检索时按查询的领域路由到对应子集,再在子集内做相似度排序。优点是维护简单(一个池一个嵌入矩阵),缺点是池大后检索噪声增加。
方案二:分领域独立池。每个领域独立的示例池加嵌入矩阵。优点是检索精度高(池内都是领域相关示例),缺点是维护多个池的同步成本。
| 维度 | 单一池加标签 | 分领域独立池 |
|---|---|---|
| 维护复杂度 | 低 | 中到高 |
| 检索精度 | 中(噪声多) | 高 |
| 领域路由 | 需要分类器 | 按业务线硬路由 |
| 适用 | 领域间距离近 | 领域间距离远 |
工程上三到五个领域用单一池加标签够用(路由靠一个简单分类器),超过五个领域或领域间距离大时分池更可靠。
图:跨领域示例的结构复用模式
图下解读:跨领域复用的核心动作是结构保留、内容替换,标签词和分隔符全部不变只换具体文本。
5. 低资源语言的少样本
5.1 低资源的定义与挑战
低资源语言指预训练语料中覆盖不足的语言,如东南亚小语种、部分非洲语言。挑战有三个:模型的基座能力弱(该语言的生成质量本身就低)、跨语言迁移效果差(与英语的桥梁语料少)、原生示例极难采集。
| 挑战 | 表现 | 严重程度 |
|---|---|---|
| 基座能力弱 | 生成质量差、格式不稳 | 高 |
| 跨语言迁移差 | 英语示例锚定效果弱 | 高 |
| 示例匮乏 | 无法构造原生少样本 | 中到高 |
5.2 低资源场景的应对策略
面对三重挑战,应对策略按投入递增排:第一层,用桥梁语言策略(翻译进出)。第二层,少量人工标注的核心示例(五到十条)加桥梁兜底。第三层,用微调在少量低资源数据上做领域适配。
| 层级 | 策略 | 投入 | 预期效果 |
|---|---|---|---|
| 第一层 | 桥梁语言 | 零 | 基线 |
| 第二层 | 少量原生示例 | 人工一天 | +3到5个点 |
| 第三层 | 微调适配 | 训练成本 | +5到15个点 |
多数低资源场景停在第两层就够用。第三层的微调需要至少一千条目标语言数据,如果连这个量都采集不到,考虑是否真的需要支持这个语言,或者用产品手段(引导用户使用高资源语言)替代。
5.3 桥梁翻译的质量控制
桥梁语言策略依赖两次翻译(查询翻译到英语、结果翻译回目标语言),两次翻译的质量决定了整个链路的效果上限。翻译质量差的典型表现:查询翻译到英语后语义丢失(如目标语言的习语被直译成无意义的英文),模型在错误语义上做推理,结果再翻译回去自然也是错的。
质量控制的方法:用五条测试查询走完整链路(目标语言到英语到推理到翻译回),人工检查最终结果是否与直接用目标语言人工回答一致。一致率低于六成说明翻译质量是瓶颈,需要换翻译模型或在中间步骤加人工审核。
| 翻译质量指标 | 检测方法 | 及格线 |
|---|---|---|
| 查询翻译准确率 | 人工检查十次翻译 | 八成以上 |
| 结果回译保真率 | 对比直接回答与翻译回答 | 七成以上 |
| 端到端一致率 | 人工评估完整链路 | 六成以上 |
翻译模型的选择也要与业务语言匹配:Google Translate 和 GPT-4 在主流语言上质量接近,但在低资源语言上差距明显。选择前先用目标语言的十句话做翻译对比,差距超过一成句子翻错的换更稳的翻译引擎。
图:低资源语言的三层应对策略
图下解读:三层策略按投入递增,多数场景停在第二层就够用。
6. 混合语言输入的处理
6.1 中英混合的常见场景
中文技术场景中,用户输入经常是中英混合的:“这个Redis的latency有点高,帮忙看看是不是memory不够”。这种混合输入对少样本示例的设计提出了额外要求:示例必须覆盖混合模式。
图:混合语言输入的示例匹配
图下解读:如果示例全是纯中文(“这个缓存延迟有点高”),模型学会的输出模式倾向于全中文化,可能把"Redis"翻译成"内存数据库"。混合语言示例保留了原术语,输出更忠实于用户输入。
6.2 混合语言示例的格式规范
| 规范 | 说明 | 原因 |
|---|---|---|
| 保留英文术语 | Redis、API、SQL 等不翻译 | 领域共识 |
| 句式跟随主流 | 中文句式为主 | 与用户习惯一致 |
| 输出口径一致 | 混合输入的输出也保持混合 | 避免强制翻译 |
第三条最重要:如果用户输入是中英混合,输出也应该是中英混合(术语英文、叙述中文),而不是强制全中文。这需要在示例中明确演示"混合输入的输出也是混合的",否则模型可能默认输出全中文。
6.3 混合语言的检测与路由
混合语言输入的语言检测结果通常是占比更高的语言,但这个结果可能不代表用户偏好。一个更可靠的路由策略:检测是否包含高比例的英文 token(如超过三成),如果是,走混合语言示例池而不是纯中文池。
实现方式:统计输入中 ASCII 字符占非空白字符的比例。超过三成路由到混合池,否则路由到纯中文池。这个简单的启发式比语言检测库更适合混合场景,因为语言检测库倾向于给出单一语言标签,忽略混合特性。
| 检测方法 | 纯中文 | 中英混合 | 纯英文 |
|---|---|---|---|
| langdetect | zh | zh 或 en | en |
| ASCII 占比 | <5% | 30-70% | >95% |
| 推荐路由 | 中文池 | 混合池 | 英文池 |
7. 泛化失败的诊断与修复
7.1 三类泛化失败
| 失败类型 | 症状 | 根因 |
|---|---|---|
| 跨语言失败 | 非英语查询效果差 | 示例语言不匹配 |
| 跨领域失败 | 领域查询判定偏移 | 领域口径未锚定 |
| 跨风格失败 | 口语查询格式不匹配 | 示例全是书面语 |
7.2 诊断流程
图:泛化失败的诊断决策
图下解读:诊断的分支按"语言→领域→风格"的顺序排查。语言差异最容易确认(看查询语言),领域差异需要看查询内容属于哪个业务域,风格差异是兜底假设(排除了语言和领域后剩下的)。
7.2 诊断的数据基础:分维度评测集
诊断流程的输入是分维度的评测集。如果把所有查询混在一个评测集里,某类查询效果差的信号会被其他类的正常分数稀释。分维度评测集的构建方法:按语言(中文、英文、混合)、领域(电商、医疗、法务)、风格(书面、口语)三个维度交叉分组,每组至少二十条。
维度数量不必贪多,选对业务影响最大的两个即可。多数产品的两个关键维度是领域和语言,风格只在客服场景(用户输入偏口语、示例偏书面)时才单独成组。
| 维度 | 分组方式 | 每组最少条数 |
|---|---|---|
| 语言 | 按查询语言 | 二十条 |
| 领域 | 按业务线 | 二十条 |
| 风格 | 按正式度 | 十条即可 |
分维度评测集的维护成本比单一集高,但诊断价值远超成本。不分维度的团队发现效果下降时只能猜原因,分了维度的团队看一眼分组分数就知道是哪类查询出了问题。
7.3 修复的验证
修复后不能只看目标类查询是否改善,还要看其他类查询是否有回退。因为新增的领域或语言示例可能挤占了通用示例的注意力空间。验证方法是全量评测集重跑一遍,确认总体分数不降。
# 来源:自实现 / generalization_fix.py(泛化修复验证)
def verify_fix(model, eval_by_type: dict, examples: list) -> dict:
"""按类型分组验证修复效果"""
results = {}
for type_name, cases in eval_by_type.items():
acc = evaluate(model, examples, cases)
results[type_name] = round(acc, 3)
# 全局分数不能降
all_cases = [c for cs in eval_by_type.values() for c in cs]
results["overall"] = round(evaluate(model, examples, all_cases), 3)
return results
if __name__ == "__main__":
eval_types = {"通用": load_eval("general"),
"医疗": load_eval("medical"),
"口语": load_eval("colloquial")}
before = verify_fix(model, eval_types, OLD_EXAMPLES)
after = verify_fix(model, eval_types, NEW_EXAMPLES)
for k in before:
delta = after[k] - before[k]
print(f"{k}: {before[k]:.3f} -> {after[k]:.3f} ({delta:+.3f})")
源码说明:verify_fix 按查询类型分组评测,输出修复前后的对比。目标类型应提升,其他类型和全局分不能降。如果全局分降了超过一个点,说明新示例引入了注意力竞争,需要减少通用示例的数量来腾空间。
泛化修复还有一个策略维度的选择:针对性修复还是全局扩池。针对性修复只补目标类型的示例(如只加三条医疗边界示例),改动小但可能引入注意力竞争。全局扩池把所有类型的示例都补一轮,代价高但各类型间的注意力分配更均匀。
| 策略 | 适用 | 成本 | 风险 |
|---|---|---|---|
| 针对性修复 | 差距集中在一两个类型 | 低 | 可能挤占其他类型 |
| 全局扩池 | 多个类型同时存在差距 | 高 | 注意力稀释 |
多数场景先用针对性修复(一次只补一类),跑 verify_fix 确认无回退再考虑下一类。多个类型同时差距大时才走全局扩池路线。
8. 实战:多语言多领域的示例系统
8.1 系统架构
图:多语言多领域示例系统的路由
图下解读:系统的入口是语言检测,按语言分流到不同的示例池。每种语言内部再做领域路由(第 7 篇的动态检索),实现语言乘领域的矩阵覆盖。
矩阵架构的扩展成本也需要提前评估。每加一种语言需要一个新的示例池(人工翻译或采集五十条以上),每加一个领域需要在每种语言的池里补对应领域的示例。语言数乘领域数等于总池数,三种语言乘三个领域等于九个池,维护成本从单一池的线性增长变成了矩阵增长。
| 语言数 | 领域数 | 总池数 | 维护量级 |
|---|---|---|---|
| 1 | 1 | 1 | 低 |
| 2 | 2 | 4 | 中 |
| 3 | 3 | 9 | 高 |
| 5 | 5 | 25 | 不可持续 |
矩阵超过三乘三后应考虑降维:把领域路由合并到同一语言池内(用领域标签区分),或者把低频语言合并到桥梁策略(不再维护独立池)。降维的原则是总池数控制在十个以内,超出后维护成本先于效果崩塌。
# 来源:自实现 / multilingual_system.py(多语言多领域示例系统)
import langdetect
class MultiLingualSystem:
def __init__(self, pools_by_lang: dict, embed_fns: dict,
bridge_fn=None):
"""pools_by_lang: {"zh": pool, "en": pool}"""
self.systems = {}
for lang, pool in pools_by_lang.items():
self.systems[lang] = build_dynamic_system(
pool, embed_fns[lang])
self.bridge_fn = bridge_fn
def detect_lang(self, text: str) -> str:
try:
return langdetect.detect(text)
except langdetect.LangDetectException:
return "zh" # 默认中文
def process(self, query: str, instruction: str = "") -> str:
lang = self.detect_lang(query)
if lang in self.systems:
return self.systems[lang].process(instruction, query)
# 低资源语言走桥梁策略
if self.bridge_fn:
en_query = self.bridge_fn(query, "en")
result = self.systems["en"].process(instruction, en_query)
return self.bridge_fn(result, lang)
return self.systems["zh"].process(instruction, query)
if __name__ == "__main__":
system = MultiLingualSystem(
pools_by_lang={"zh": ZH_POOL, "en": EN_POOL},
embed_fns={"zh": embed_fn, "en": embed_fn},
bridge_fn=translate_fn)
print(system.process("Redis latency too high"))
print(system.process("Redis延迟有点高"))
源码说明:MultiLingualSystem 按语言分池,每种语言内部是独立的动态检索系统。低资源语言走"翻译到英语→英语系统处理→翻译回原语言"的桥梁路径。整个路由层不到三十行,扩展新语言只需添加对应的示例池。
8.2 语言检测的可靠性
langdetect 库在短文本上偶尔误判(把"OK好的"判为英文)。对策:文本超过二十个字符才做检测,否则默认主语言。误判的后果不严重——错误语言的示例池虽然锚定效果差,但模型的跨语言迁移能力通常能部分补偿。
| 文本长度 | 检测可靠性 | 策略 |
|---|---|---|
| 少于十个字符 | 差 | 默认主语言 |
| 十到五十个字符 | 中 | 检测但允许容错 |
| 超过五十个字符 | 好 | 正常检测 |
8.3 多语言监控指标
| 指标 | 定义 | 告警线 |
|---|---|---|
| 各语言准确率 | 按语言分组的通过率 | 差距超五个点 |
| 语言检测准确率 | 人工抽检的命中率 | 低于九成 |
| 桥梁使用率 | 走翻译路径的请求占比 | 超过两成 |
| 领域覆盖度 | 各领域示例池的命中分布 | 单领域超八成 |
第一个指标最重要:如果英文查询的准确率比中文低五个点以上,说明英文示例池需要补充。语言间的准确率差距是系统性偏差的信号,不会自行消解。
各语言准确率的差距还有一个根因排查顺序。第一步确认示例池是否对等:中文池有五条精选示例而英文池只有两条机器翻译的,差距自然存在,先补池再判断。第二步确认评测集是否对等:中文评测集五十条精心挑选而英文评测集二十条随手写的,差距可能是评测噪声而非真实差异。第三步才看模型本身的跨语言能力。前两步排查完再下结论,避免把基础设施的不对等误诊为模型能力问题。
三个排查步骤的执行成本也逐级递增:示例池对等性五分钟看一眼文件即可确认,评测集对等性需要跑一遍分组统计(约半小时),模型跨语言能力需要对照实验(约半天)。从最便宜的开始排查,多数差距在前两步就找到了根因,不需要走完三步。
排查完成后还有一个动作常被省略:把结论写进文档。每次语言间的准确率差距分析,根因和修复动作各写一行存入台账。台账跑两个季度后,能看出哪类差距反复出现(如"英文池总是比中文池少两条边界示例"),从逐一修 bug 升级为制度性地在每次新增示例时同步双语言。
总结
少样本的泛化能力受两层距离约束:语言距离(示例与查询的语种差异)和领域距离(示例与查询的业务域差异)。跨语言衰减五到十五个百分点,用示例翻译或桥梁语言补偿。领域迁移的核心不是教知识而是锚定口径,结构不变、内容替换是最安全的改写方式。混合语言输入需要混合语言示例来锚定输出风格。泛化失败按"语言→领域→风格"的顺序诊断,修复后必须验证无回退。多语言多领域系统用语言检测加领域路由的组合架构实现,路由层不到三十行,扩展新语言即加新池。
外部引用
- GPT-3 论文《Language Models are Few-Shot Learners》:https://arxiv.org/abs/2005.14165
- Winata 等《Cross-lingual Few-Shot Learning》:https://arxiv.org/abs/2112.10668
- Shi 等《Language Models are Multilingual Chain-of-Thought Reasoners》:https://arxiv.org/abs/2210.03057
- Liu 等《What Makes Good In-Context Examples for GPT-3?》:https://arxiv.org/abs/2101.06804
- Min 等《Rethinking the Role of Demonstrations》:https://arxiv.org/abs/2202.13437
- langdetect 库:https://github.com/Mimino666/langdetect
- Zhao 等《FewCross: Cross-lingual Few-Shot Learning》:https://arxiv.org/abs/2103.07480
- Ahuja 等《MEGA: Multilingual Evaluation of Generative AI》:https://arxiv.org/abs/2303.12528
更多推荐


所有评论(0)