從詞彙到AI：面向低資源語言的專用對話系統結構化數據管道
該研究提出了一種系統化的方法，將結構化語言資源（如Hindi WordNet）轉化為125萬條指令-回答對，用於微調12B參數的語言模型，並通過資源高效的LoRA和4位量化實現。實驗表明，基於結構化知識的系統在印地語學習聊天機器人中取得了卓越的教學效果（91.0分），優於通用模型（79.4-83.6分），同時保持了競爭力的語義性能和一致性。該工作為低資源語言提供了無需大規模語料庫的AI開發替代方案，有望推動數百種擁有WordNet資源的語言的專業AI發展。
大型語言模型（LLM）的進步主要依賴於海量的訓練數據，這使得低資源語言在開發專用對話系統時面臨巨大的挑戰。針對這一問題，來自印度的一支研究團隊提出了一種創新的方法，利用現有的結構化語言資源（如WordNet）來構建高性能的專用AI系統，從而繞過了對大規模語料庫的依賴。
該團隊選擇印地語作為概念驗證，首先將印地語WordNet——一個由語言專家精心編纂的詞彙數據庫——系統性地轉換為125萬條多樣化的指令-回答對。這些數據覆蓋了豐富的語言現象和知識領域，為模型微調提供了高質量的訓練材料。隨後，他們使用這些數據通過LoRA（低秩適應）和4位量化技術對12B參數的語言模型進行微調。LoRA技術僅更新少量參數，而4位量化則大幅降低模型的內存佔用和計算需求，使得在消費級GPU上也能完成微調，同時保持了模型的性能。
為了評估該方法的有效性，研究人員開發了一款印地語學習聊天機器人作為測試平台。在針對教學效果的評估中，基於結構化知識的系統取得了91.0分（滿分100），而通用模型（如GPT-3.5等）的得分範圍僅為79.4至83.6。此外，該系統的語義理解和生成一致性也達到了與通用模型相當甚至更優的水平。這表明，利用結構化知識庫可以顯著提升專用對話系統的教學效果，同時保持語義處理的可靠性。
這項工作的關鍵在於證明了即使沒有大規模語料庫，僅依靠現有的語言資源（如WordNet）也能開發出高效的專業化AI系統。目前，全球已有超過200種語言擁有WordNet資源，這意味着該管道可被廣泛應用於其他低資源語言，如烏爾都語、孟加拉語等，為這些語言的AI開發提供了一條可行的路徑。
論文於2026年5月21日提交至arXiv預印本服務器，並在計算語言學（cs.CL）和人工智能（cs.AI）領域發表。該研究獲得了四位作者的支持，包括來自印度某研究機構的Siddhant Hitesh Mantri等人。這一工作不僅為低資源語言社區帶來了新的希望，也為AI技術的民主化提供了重要的實踐範例。