Arabic
PulseAugur coverage of Arabic — every cluster mentioning Arabic across labs, papers, and developer communities, ranked by signal.
- instance of English 90%
- used by Connectionist temporal classification 90%
- instance of Araberta 90%
- developed Russian 90%
- used by large-language models 70%
- instance of Russian 70%
- instance of large-language models 70%
- used by natural language processing 70%
- instance of Urdu 70%
- used by Russian 70%
- used by Persian 70%
- instance of natural language processing 70%
13 天有情绪数据
-
新方法在无需重新训练的情况下恢复了非洲语言的AI安全性
研究人员开发了一种名为潜在空间拒绝锚定（Latent Space Refusal Anchoring, LSR-Anchoring）的新型无需训练的方法，以提高低资源非洲语言指令调优AI模型的安全性。该技术旨在恢复模型在英语中通常存在但在约鲁巴语、伊博语、伊加拉语和豪萨语等语言中缺失的拒绝能力，而无需进行大量重新训练或新的标记数据。主要变体“平均激活引导”（Mean-Activation Steering, MAS）在某些架构上显示出…
-
研究发现，AI排行榜因制度设计未能服务于全球南方
一份立场文件认为，由于缺乏独立的治理和指标演进机制，当前的AI排行榜未能服务于全球南方。尽管存在高质量的区域性基准测试，例如针对印地语、斯瓦希里语和阿拉伯语，但这些并未被纳入全球排行榜。该文件以印度为例，强调AI从业者更倾向于正式的治理和基于披露的冲突管理，而非仅仅是更多的数据。提出的解决方案是从一开始就开发具有独立治理的区域性排行榜。
-
多语言自动语音识别模型在加鲁斯库尔德语上进行评估
一篇新的研究论文分析了 MMS-1B-all 多语言语音识别模型在加鲁斯库尔德语（一种使用拉丁字母书写的库尔德语变体）上的性能。该研究强调了在参考和假设使用不同书写系统时评估语音识别的挑战，并提出了一种通用的参考分阶段归一化方法来解决这个问题。结果表明，归一化后词错误率 (WER) 和字符错误率 (CER) 有显著提高，但仍然存在大量错误，这表明识别模型和评分流程都存在局限性。
-
OCR系统难以处理蒙古文传统竖排草书
传统的蒙古文（称为“蒙古文”）给标准的OCR系统带来了独特的挑战。这些系统通常假定文本是横向排列的，无法处理蒙古文的竖排、从上到下的列。即使将文本旋转，使列看起来像行，但该脚本的草书性质和依赖于上下文的字母形式（其中多个字符共享相同的中间形状）意味着仅凭视觉信息不足以进行准确识别。确定正确的字符通常依赖于语言上下文，例如元音和谐和词义，而不是仅仅依赖于图像中存在的墨迹模式。
-
ICU MessageFormat 在语言之间标准化复数规则
ICU MessageFormat 为国际化应用程序中的复数处理提供了一种健壮的方式，将语言规则从代码移入消息。它定义了六个复数类别（zero, one, two, few, many, other），这些类别在不同语言中有不同的应用方式，数据来源于 Unicode 联盟发布的通用区域设置数据存储库 (CLDR)。该语法允许显式值匹配（例如，'=0'）并使用 '#' 来表示格式化的数字，还具有 'offset' 和 'select' …
-
AI产品本地化：营收地域比说话者数量更重要
在将AI产品推向全球市场时，仅仅关注语言的说话者数量是错误的。文章认为，市场营收、支付基础设施和购买力比纯粹的说话者数量更为关键。此外，关键人群中的英语熟练程度以及英语在网络内容和训练数据中的普遍性意味着，除了核心几种语言之外，本地化为多种语言的好处正在减少。
-
Unicode CLDR 为语言本地化定义了 1-6 种复数形式
根据 Unicode 联盟的通用区域设置数据存储库 (CLDR) 的定义，一种语言在软件本地化所需的复数形式数量可以从一种到六种不等。这个数量不是语言学的绝对值，而是特定数据集版本的属性。像中文和日文这样的语言只需要一种形式，因为名词不标记复数；而威尔士语和阿拉伯语则需要六种形式，因为它们有复杂的数字交互和语法规则。
-
AssemblyAI推出Universal-3.5 Pro，扩展多语言转录功能
AssemblyAI发布了其Universal-3.5 Pro模型，增强了其多语言转录能力。该新模型支持18种语言的自动语言检测和原生语码转换，远超其上一代。通过回退到Universal-2来处理不支持语码转换的99种以上语言，该模型提供了更高的准确性和更无缝的体验，可在单次API调用中处理多样化的语言内容。
-
新阿拉伯语数据集Mawqif-v2发布，用于立场检测研究
研究人员推出了Mawqif-v2，这是一个扩展的阿拉伯语数据集，旨在评估立场检测中的跨目标泛化能力。新数据集包含来自三个不同目标（女性驾驶、电动汽车和孕期系统）的996条手动标注的阿拉伯语推文。它作为独立的评估集，是对用于训练的原始Mawqif数据集的补充。该论文还提供了使用各种Transformer模型和大型语言模型的基线结果，以实现可复现的研究。
-
NVIDIA Magpie TTS 增加 3 种语言，现支持总共 12 种
NVIDIA 已将其 Magpie 文本转语音 (TTS) 模型扩展到支持 12 种语言，包括最近新增的阿拉伯语、韩语和巴西葡萄牙语。这款拥有 3.64 亿参数的开放权重模型专为低延迟语音代理应用而设计。
-
IndexTTS 2.5 凭借多语言支持和更快的推理速度，在零样本 TTS 方面取得进展
研究人员推出了 IndexTTS 2.5，这是一款先进的零样本文本到语音模型，在其前代产品的基础上进行了显著改进。主要增强功能包括降低语义编解码器帧率以降低成本，升级基于 Zipformer 的架构以实现更快的推理速度，以及扩展对中文、英文、日文、西班牙文和阿拉伯文的多语言支持。该模型还融入了强化学习以提高发音准确性和自然度，即使没有特定的情感训练数据，也能实现跨语言的稳健情感迁移。
-
分词溢价为非英语语言制造人工智能成本障碍 · arXiv cs.CL
一项发表在arXiv上的新研究介绍了分词公平性审计（TEA），这是一个旨在衡量大型语言模型对不同语言分词差异的基准。研究发现，与英语相比，孟加拉语、印地语和约鲁巴语等语言的语义等效内容可能需要更多的分词，这会影响API成本、延迟和有效上下文窗口长度。这种分词溢价因模型和分词器而异，凸显了依赖人工智能工具的服务欠缺语言社区可能面临的经济和功能障碍。
-
AI代理的提示注入检测器在非英语攻击上失效
对一个开源代理框架的安全审计揭示了其提示注入检测系统存在一个重大漏洞。该扫描器会检查上下文文件、内存写入和工具输出，但在使用英语以外的语言进行提示注入攻击时，未能检测到。虽然像Unicode字符或API密钥泄露这样的技术伪影无论何种语言都能被检测到，但法语、西班牙语、德语和其他语言的书面攻击却被一贯地忽略了。这表明该系统的有效性仅限于英语提示，使得部署容易受到简单的基于翻译的绕过攻击。
-
研究发现：多语言RAG系统带来隐私风险
一篇新发表在arXiv上的研究论文，调查了多语言检索增强生成（RAG）系统中的隐私风险。研究人员使用了一个英语源的合成数据集，并用五种语言进行查询，利用Qwen2.5-7B模型进行翻译、判断和生成。研究结果表明，在仅输出过滤的系统中，英语查询在非结构化个人身份信息（PII）泄露方面风险最高。当加入输入判断器后，阿拉伯语和斯瓦希里语中仍存在残留泄露，而查询的反向翻译并未完全解决该问题。
-
开发者使用 Claude AI 构建外语学习应用
一位开发者正在创建一个旨在帮助用户学习外语的 Web 应用，其灵感来源于他玩 GeoGuessr 的经历。该应用侧重于通过字符的视觉属性来识别字符，例如阿拉伯语中的点数或泰语中相似形状的组合。开发者正在利用 Claude AI 协助构建该应用，发现它在生成代码方面效率很高，但也需要具体的指令来维持代码质量和结构。
-
新基准测试AI对特定文化视觉情感的理解能力
研究人员推出了ArtECulture，一个旨在评估多模态大语言模型（MLLMs）在理解特定文化视觉情感方面表现的新基准。该基准包含6,792件艺术品，并标注了跨越英语、中文和阿拉伯语文化的特定情感感知，旨在平衡代表西方和非西方艺术。对16个MLLMs的初步评估显示，即使是最好的模型也表现不佳，准确率低于50%。为了提高性能，研究人员提出了一个检索增强框架，将明确的文化知识注入MLLMs，从而增强预测和解释生成能力。
-
阿拉伯语自然语言处理模型发现字符的象似性在很大程度上是任意的
一篇新的研究论文探讨了阿拉伯语字符集在自然语言处理（NLP）中的象似性与任意性问题。研究发现，在保持相同精简的基础形状集合的同时，对阿拉伯字符进行随机重映射，也能取得具有竞争力的NLP性能。这表明模型更多地依赖于分布结构，而非字母形式的视觉象似性，这表明从NLP的角度来看，阿拉伯字符的形式-功能关系在很大程度上是任意的。这些发现可能有助于降低阿拉伯语NLP模型的词汇量、降低未登录词（OOV）的比例以及减少训练成本。
-
新的 TLoRA 方法提升了阿拉伯语医学大语言模型性能
研究人员开发了一种名为目标低秩适配 (TLoRA) 的新方法，以提高大语言模型 (LLM) 在阿拉伯语医学任务上的性能。该技术侧重于调整模型中跨语言知识发散的特定层，而不是对整个网络进行微调。在多项选择医学问答方面，TLoRA 的表现优于其他方法，在简答生成和临床对话任务上也表现出竞争力。该研究还推出了 AraClinicDialog，一个用于阿拉伯语医学对话的新基准。
-
AI系统Digital Harf 增强了自闭症儿童的阿拉伯语言语治疗
研究人员开发了Digital Harf，一个多模态人工智能系统，旨在为阿拉伯语地区的自闭症谱系障碍儿童提供言语和语言治疗。该平台集成了三个治疗模块，并使用Agentic Synthetic Data Engine (ASDE) 生成具有文化相关性的图像和提示，以解决本地化数字治疗材料稀缺的问题。对13名言语治疗师的评估显示，AI生成内容的接受率为90.1%，突显了其文化和语言的契合度。
-
新的阿拉伯语梗图数据集旨在打击网络仇恨言论
研究人员推出了 AHA-Memes，这是一个新基准数据集，旨在改进对阿拉伯语梗图中仇恨内容的检测。该数据集包含超过 5,000 个手动标注的梗图，具有捕捉各种仇恨策略的细粒度标签，以及另外 66,000 个银标签梗图。该研究对包括纯文本、纯图像和多模态方法以及视觉语言模型在内的几个模型进行了基准测试，建立了基线并确定了特定文化仇恨言论检测中的挑战。