摘要

脚本多样性对多语言语言模型（Multilingual Language Models, MLLM）构成了挑战，因为它降低了语义上密切相关语言之间的词汇重叠度。因此，将使用不同书写系统的密切关联语言通过音译转换至统一书写系统，可能有助于提升MLLM在下游任务中的性能。本文通过实证方法系统评估了音译对MLLM的影响。研究聚焦于全球脚本多样性最高的印地语族语言（Indic languages），并在IndicGLUE基准测试上评估模型表现。为严谨验证音译效果是否具有统计显著性，我们采用Mann-Whitney U检验进行分析。实验结果表明，音译显著提升了低资源语言的性能，同时未对资源相对丰富的语言造成负面影响。此外，我们利用FLORES-101数据集中平行语句的中心核对齐（centered kernel alignment, CKAs）方法，测量了模型的跨语言表征相似性。结果发现，在不同语言的平行句对上，基于音译的模型所学习到的句子表征具有更高的相似性。