大语言模型（LLMS）在各种领域和语言中表现出雄性的能力。然而，低资源语言（例如印尼 - 西安土著语言）出现了一个显着的质量差距，使它们在这种语言文本中具有无效和效率低下。为了弥合这一质量差距，我们介绍了Cendol，Cendol是印尼LLM的集合，其中包含了仅解码器和编码的解码器体系结构，这些架构遍布各种型号。我们强调了Cendol在各种任务中的有效性，取得了约20％的提高，并证明了其概括印度尼西亚看不见的任务和土著语言的能力。此外，Cendol模型展示了改善人类的偏爱，尽管它们在捕获印尼的知识知识和文化价值方面存在局限性。此外，我们讨论了用于语言适应的参数有效调谐（例如Lora）的缺点。另外，我们提出词汇适应的用法以提高效率。最后，我们评估了Cendol的安全性，并展示了一种语言（例如英语）的预训练的安全性，即使没有RLHF和安全性微调，也可以转移到低资源语言（例如印尼语）。1