XiaoMi-AI文件搜索系统
World File Search Systemmultilingual
在这一年中，化学和肥料部制药部的关键倡议/成就/事件如下
Bhashini在Maha Kumbh 2025的部署在弥合语言鸿沟中的变革潜力举例。通过实现无缝的沟通，它不仅可以增强事件的包容性，而且还为利用技术解决印度语言多样性的先例树立了先例。随着Bhashini的不断发展，它有望在实现真正联系和包容性的数字印度的愿景中发挥关键作用。参考https://bhashini.gov.in/ https://ddnews.gov.in/en/mahakumbh-2025-meitys-bhashini-provides-multingual-access-multlingual-access-in-11-11-11-languages/ https://pib.gov.in/pressreleasepage.aspx?prid=2092739 https://pib.gov.in/pressrealeasepage.aspx?prid=2088268 https://pib.gov.in/pressreleaseiframepage.aspx?prid=1964079 https://pib.gov.in/pressreleaseiframepx?prid=2061675 https://pressrealeaseiframepx？ https://pib.gov.in/pressreleaseiframepage.aspx?prid=2045567 https://x.com/_bhashini/status/1879449449310590546196
转变学习空间，实现多语言互动 - ERIC
参与者的回答与 SAC 的现状形成了鲜明对比，因为 SAC 目前侧重于模拟材料和个人自学资源，但与 SAC 重新设计项目的计划高度一致，即创建一个灵活创新的空间，以促进数字化、以学生为中心、协作和交流的语言学习和教学。特别是，第一项任务中建议的活动证实了我们对支持多语言交流和协作的空间的需求，例如对话练习、辩论、展览空间。此外，它们支持我们向以学生为中心的教育的持续转变，例如演讲、学生主导的课程；并强调将语言学习活动转变为文化交流的重要性，例如文化活动和全球问题辩论。他们还强调提供发展可转移技能的机会的重要性，例如技能交流课程、基于任务的语言教学，以及将课外活动（例如休闲区或电影院）融入我们的学习计划中的重要性。
加强有天赋和才华横溢的多语言学习者身份
..............................................................................................................................................................................................................................................................................................................................................................
通过生成人工智能促进多语言审议
全球抽象的民主国家面临着许多挑战，从选举干预和宣传到民粹主义和威权主义的崛起。因此，必须增加参与并扩大对审议过程的机会，以加强民主制度并满足公众期望。尽管在政治审议，协作和谈判中具有公认的语言意义，但对多语言如何影响政治和治理的知识知之甚少。在这种情况下，本研究提出了一个综合框架，该框架能够基于最先进的生成AI技术进行多语言审议。该框架标识了五个关键产品，即“多语言和多元文化审议设计”，“用于公共事务审议的机器翻译和解释”，“多语言审议理解”，“在线和面对面的多语言审议支持”，以及“透明度，可信度，可信度和公民审议的解释性”。通过利用生成的AI，该框架打算解决与文化多样性和多种语言有关的挑战，这些挑战阻碍了成功的审议民主。最后，提出了一个案例研究，将框架运行到技术解决方案中。
aya模型：指令对开放式访问多语言模型
大型语言模型（LLM）的最新突破已围绕少数数据富含数据的语言。扩大超越一流公民语言的突破需要什么？我们的作品介绍了AYA，这是一种大量多语言的生成语言模型，遵循101种语言的指导，其中50％以上被认为是较低的资源。aya在大多数任务上胜过MT0和Bloomz，同时涵盖了两倍的语言数量。我们引入了广泛的新评估套件，扩大了跨99种语言的多语言评估的最新评估，包括歧视性和生成性任务，人类评估以及模拟的获胜率，涵盖了执行任务和分布性能的既有。此外，我们对我们模型的最佳芬特混合物组成，数据修剪以及毒性，偏见和安全性进行了详细研究。我们在https://hf.co/choereforai/aya-101
这是你，llm吗？使用多语言代码样式测量识别AI编写的程序
摘要 - 基于LLM的代码完成者（例如GitHub Copilot）的日益普及，对自动检测AI生成的代码的兴趣也在增加 - 特别是在由于安全性，知识产权或道德问题所致的策略所禁止的LLMS程序所禁止使用LLMS程序的情况下。我们介绍了一种针对AI代码风格测量学的新颖技术，即，基于基于变压器的编码器分类器，将LLMS生成的代码与人类编写的代码区分代码的能力。与以前的工作不同，我们的分类器能够通过单个机器学习模型在10种不同的编程语言上检测AI编写的代码，从而在所有语言中保持高平均精度（84.1％±3.8％）。与分类器一起，我们还发布了H-AiroSettamp，这是一个针对AI代码定型任务的新颖的开放数据集，由121个247代码片段组成10种流行的编程语言，被标记为人文编写或AI生成。实验管道（数据集，培训代码，结果模型）是AI代码风格任务的第一个完全可重现的。最值得注意的是，我们的实验仅依赖于开放的LLM，而不是诸如Chatgpt这样的专有/封闭的LLM。索引术语 - 编码样式，大语言模型，AI检测，代码生成，数据出处，深度学习
多语言学习者/英语学习者的政策和参考指南
多语言学习者/英语学习者的政策和参考指南报告是由纽约市教育部（NYC DOE）的多语言学习者办公室（OML）制作的。本指南为纽约DOE的政府和员工提供了支持和指导。本指南中的任何内容均无意创建，也不会创建任何可强制性的权利，补救措施，应享权利或义务。NYC DOE保留更改或暂停本指南的任何或所有部分的权利。
多语言仇恨语音检测：半监督的生成对抗方法
摘要：社交媒体平台已经超过了文化和语言界限，因此在全球范围内实现了1个在线通信。但是，各种语言的扩展使用加剧了2在线检测仇恨言论内容的挑战。尽管发布了多种天然3语言处理（NLP）解决方案，该解决方案实施了尖端的机器学习技术，但数据的4个稀缺性，尤其是标记的数据，仍然是一个相当大的障碍，这进一步需要5使用半佩顿的方法以及生成的人工智能（Generative AI）6技术。本文介绍了一种创新的方法，这是一种多语种半佩斯特的模型7，将生成对抗网络（GAN）和审计的语言模型（PLMS）组合在一起，更多8个精确的Mbert和XLM-Roberta。我们的方法证明了它在仇恨9语言和以印度语言（用英语，德语和印度语中）的仇恨检测中的有效性，当时只有10个仅采用20％的Hesoc2019数据集中的20％注释数据，从而在每种多种语言，零刺激的杂种式跨语言和单声道培训场景中都表现出11个高表现。12我们的研究提供了一个强大的基于MBERT的半纯GAN模型（SS-GAN-MBERT），该模型的表现优于基于XLM-ROBERTA的模型（SS-GAN-XLM），并达到平均F1得分14增长9.23％，准确率提高了9.23％，而准确性增加了5.75％的SemiSuline SemiSupersupervers Mbert模型。15
aya模型：指令对开放式访问多语言模型
大型语言模式（LLM）的最新突破已围绕少数数据富含数据的语言。扩大超越一流公民语言的突破需要什么？我们的工作介绍了Aya，这是一种大量多语言的生成语言模型，遵循101种语言的说明，其中50％以上被认为是较低的资源。aya在大多数任务上都优于mt0和bloomz，同时将语言数量增加了两倍。我们引入了广泛的新评估套件，以扩大99种语言的多语言评估的最新评估，包括歧视和生成性任务，人类评估以及模拟的胜利率，涵盖了涵盖任务和分发性能的效果。fur-hoverore，我们对我们模型的最佳芬特混合物组成，数据修剪以及毒性，偏见和安全性进行了详细研究。