Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind29. April 2025 · Q005999

Prompting with Phonemes: Enhancing LLM Multilinguality for non-Latin Scripts

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Bericht ist ein Abstract-Auszug. Die Autoren berichten, dass phonemische Lautumschriften Sprachrepräsentationen und Wissenstransfer zwischen Sprachen mit unterschiedlichen Schriftsystemen unterstützen könnten; untersucht wird außerdem ihre Nutzung mit Retrieval im In-Context Learning. Konkrete Messwerte und Einzelheiten zu Sprachen und Aufgaben fehlen im Auszug.

Mittel

Der vorliegende Bericht enthält nur den Abstract sowie Autoren- und Veranstaltungsangaben, nicht den vollständigen Artikel. Die Arbeit fragt, ob phonemische Lautumschriften Sprachmodelle bei Sprachen mit unterschiedlichen Schriftsystemen unterstützen können. Die Autoren argumentieren, dass eine starke Ausrichtung auf Schrift den Wissenstransfer zwischen Sprachen erschweren und Verzerrungen durch bevorzugte Schriftsysteme begünstigen könne.

Laut Abstract untersuchen sie zunächst in einer Pilotstudie Leistungsunterschiede zwischen Sprachen mit verschiedenen Schriften in mehreren aktuellen Sprachmodellfamilien. Sie berichten, phonemische Signale könnten sprachliche Repräsentationen und mehrsprachigen Wissenstransfer verbessern. Danach erproben sie eine Einbindung solcher Signale zur Inferenzzeit über erweitertes In-Context Learning mit Retrieval, bewertet anhand verschiedener nachgelagerter NLP-Aufgaben.

Der Auszug nennt keine konkreten Messwerte, Sprachen, Aufgaben oder detaillierten Vergleichsergebnisse. Das Ausmaß und die Übertragbarkeit der Verbesserungen bleiben daher offen. Als Veranstaltungsort wird NAACL 2025 angegeben.

Ausführlich lesen

Der vorliegende Bericht ist ein Auszug: Er enthält den Abstract sowie Autoren- und Veranstaltungsangaben, aber keine ausführliche Darstellung des vollständigen Artikels. Die Arbeit untersucht, ob Lautumschriften (phonemische Transkriptionen) die Mehrsprachigkeit großer Sprachmodelle verbessern können, insbesondere bei Sprachen mit nichtlateinischen Schriftsystemen.

Die Autoren führen als Ausgangspunkt an, dass Sprachmodelle trotz jüngerer Fortschritte weiterhin stark auf schriftliche Darstellungen ausgerichtet seien. Das könne den Wissenstransfer zwischen Sprachen mit unterschiedlichen Schriftsystemen erschweren und Verzerrungen begünstigen, wenn das Vortraining bestimmte Schriften bevorzugt. Da Sprache sowohl schriftlich als auch gesprochen wahrgenommen werde, könnten phonemische Signale zusätzliche Hinweise auf sprachliche Zusammenhänge liefern.

Laut Abstract umfasst das Vorgehen zunächst eine Pilotstudie, in der Leistungsunterschiede zwischen Sprachen mit verschiedenen Schriftsystemen über mehrere aktuelle Sprachmodellfamilien hinweg untersucht werden. Die Autoren berichten, dass die Einbeziehung phonemischer Signale Vorteile für die sprachlichen Repräsentationen und den mehrsprachigen Wissenstransfer zeige. Anschließend untersuchen sie, wie sich solche Signale zur Inferenzzeit in bestehende Modelle einbinden lassen: Dafür erweitern sie das In-Context Learning durch Retrieval und prüfen den Ansatz bei verschiedenen nachgelagerten NLP-Aufgaben.

Der Abstract beschreibt damit eine mögliche Methode, Mehrsprachigkeit zu fördern, ohne dass hier ein vollständiges Training oder die umfassende technische Umsetzung erläutert wird. Konkrete Messwerte, getestete Sprachen und Aufgaben, Vergleichsverfahren sowie detaillierte Ergebnisse sind im bereitgestellten Auszug nicht enthalten. Daher lässt sich daraus weder die Größe der berichteten Verbesserungen noch ihre Übertragbarkeit auf andere Modelle oder Anwendungsfälle beurteilen. Als Publikationsort nennt der Bericht NAACL 2025.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →