阿里巴巴達(dá)摩院推出的Babel多語言大語言模型（LLM）是一項突破性技術(shù)，旨在通過支持25種最常用語言（覆蓋全球90%以上人口）來彌合語言鴻溝。其核心技術(shù)特點及創(chuàng)新如下：

1. 模型架構(gòu)與擴(kuò)展技術(shù)

Babel采用結(jié)構(gòu)化層擴(kuò)展方法（Structured Layer Extension），通過增加參數(shù)規(guī)模提升模型能力，而非依賴傳統(tǒng)持續(xù)預(yù)訓(xùn)練（continuous pretraining）。例如：

• Babel-9B：專注于推理效率和微調(diào)優(yōu)化，適合研究與本地化部署；
• Babel-83B：參數(shù)規(guī)模對標(biāo)商業(yè)模型（如GPT-4o），在多語言NLP任務(wù)中刷新性能記錄，平均得分達(dá)73.2，顯著超越Qwen2.5-72B（69.8）和Llama3.1-70B（66.9）。

這一設(shè)計理念與達(dá)摩院早期多語言模型（如PolyLM、SeaLLMs）一脈相承。例如，SeaLLMs通過優(yōu)化非拉丁語言的長文本處理能力（可達(dá)ChatGPT的9倍效率），而PolyLM則通過課程學(xué)習(xí)（curriculum learning）策略實現(xiàn)多語言知識遷移。Babel進(jìn)一步將這些技術(shù)整合，并通過層擴(kuò)展實現(xiàn)規(guī)?；嵘?/p>

2. 語言覆蓋與數(shù)據(jù)優(yōu)化

Babel特別關(guān)注低資源語言的覆蓋，如孟加拉語、烏爾都語、斯瓦希里語、爪哇語等，這些語言在開源LLM中長期被忽視。其數(shù)據(jù)策略包括：

• 多源高質(zhì)量語料：整合Wikipedia、新聞、教科書及結(jié)構(gòu)化語料（如MADLAD-400、CulturaX）；
• 基于LLM的質(zhì)量分類器：用于數(shù)據(jù)清洗與篩選，確保訓(xùn)練數(shù)據(jù)的純凈度。

類似技術(shù)曾在Qwen2模型中應(yīng)用，例如使用模型本身過濾低質(zhì)量數(shù)據(jù)并合成新數(shù)據(jù)，同時優(yōu)化多語言混合比例以模擬人類學(xué)習(xí)過程。

3. 性能表現(xiàn)

推理與翻譯任務(wù)：Babel-9B在MGSM推理任務(wù)中得43.4，F(xiàn)lores-200翻譯任務(wù)中得55.1，均優(yōu)于同類9B模型（如GLM4-9B、Gemma2-9B）。

低資源語言提升：Babel在低資源語言上的表現(xiàn)較此前模型提升5-10%，部分得益于達(dá)摩院在東南亞語言（如高棉語、老撾語）處理上的技術(shù)積累。

4. 應(yīng)用場景與微調(diào)

Babel的監(jiān)督微調(diào)（SFT）模型基于超過100萬對話數(shù)據(jù)集訓(xùn)練，性能接近GPT-4o等商業(yè)模型。這與SeaLLM-chat的文化適應(yīng)性微調(diào)策略類似，后者通過本地化調(diào)整實現(xiàn)對社會規(guī)范和法律背景的精準(zhǔn)理解。

5. 技術(shù)生態(tài)關(guān)聯(lián)

• 與PolyLM的關(guān)系：PolyLM（支持15種非英語語言）可視為Babel的前期探索，兩者均強調(diào)多語言平衡性與課程學(xué)習(xí)，但Babel通過更大參數(shù)規(guī)模（83B）和層擴(kuò)展技術(shù)實現(xiàn)躍升。
• 與語音識別項目的區(qū)別：證據(jù)中提及的其他“Babel”項目（如IARPA Babel語音識別計劃）與達(dá)摩院的LLM無直接關(guān)聯(lián)，需注意區(qū)分。

總結(jié)

Babel的推出標(biāo)志著達(dá)摩院在多語言LLM領(lǐng)域的技術(shù)整合與突破，其結(jié)構(gòu)化層擴(kuò)展、低資源語言支持及數(shù)據(jù)優(yōu)化策略為行業(yè)樹立了新標(biāo)桿。未來，結(jié)合達(dá)摩院在東南亞語言模型（SeaLLMs）和多語言遷移學(xué)習(xí)（PolyLM）中的經(jīng)驗，Babel有望進(jìn)一步推動全球化AI服務(wù)的普惠性。

本文轉(zhuǎn)載自公眾號Halo咯咯    作者：基咯咯

原文鏈接：??https://mp.weixin.qq.com/s/D0Ks4coVd2rsmuCYJkMG7g??