1+1＞2: Can Large Language Models Serve as Cross-Lingual Knowledge Aggregators?

本文是LLM系列文章，针对《1+1>2: Can Large Language Models Serve as Cross-Lingual Knowledge Aggregators?》的翻译。

摘要

大型语言模型 （LLM） 因其处理各种语言信息的非凡能力而引起了广泛关注。尽管它们具有强大的功能，但它们在处理不同语言的相同查询时表现出不一致，这为进一步发展带来了挑战。本文介绍了一种通过聚合来自不同语言的知识来提高 LLM 多语言性能的方法。这种方法结合了特定于语言的低资源知识检测器、语言选择过程以及答案替换和集成的机制。我们的实验表明了显著的性能改进，特别是在减少语言性能差异方面。一项消融研究证实，我们方法的每个组成部分都对这些增强做出了重大贡献。这项研究强调了 LLM 在协调多语言功能方面的内在潜力，并为进一步探索提供了有价值的见解。

1 引言

2 相关工作

3 方法

4 实验

5 其他方法的讨论

6 结论

本文提出了一种通过利用各种语言的知识来提高LLM多语言能力的方法，其中包括一个低资源知识检测器，一个选择语言的过程，以及答案替换和集成。我们的实验表明&#