低资源语言的大型多模型：一项调查

于红博

摘要: 在这项调查中，我们系统地分析了用于适应低资源语言（LR）的大型多模型模型（LMMs）的技术，审查了从视觉增强和数据创建到跨模态转移和融合策略的方法。通过对96种LR语言的117项研究进行全面分析，我们确定了研究人员如何应对数据和计算资源有限挑战的关键模式。我们将作品分为资源导向和方法导向的贡献，并进一步将贡献分为相关子类别。我们比较了方法导向的贡献在性能和效率方面，讨论了代表性研究的优势和局限性。我们发现，在LR环境中，视觉信息通常作为改善模型性能的关键桥梁，尽管在幻觉减轻和计算效率等领域仍存在重大挑战。总而言之，我们为研究人员提供了对当前方法和使LMMs更易于访问LR（未研究过的）语言的挑战的清晰理解。我们通过一个开源存储库来补充我们的调查，该存储库位于：https://github.com/marianlupascu/LMM4LRL-Survey。

更新时间: 2025-12-31 14:45:06

领域: cs.CL,cs.AI,cs.LG

下载: http://arxiv.org/abs/2502.05568v2