Lens：重新思考大语言模型的多语言增强

随着全球对多语言大语言模型（LLM）需求的增长，目前大多数大语言模型仍过度关注英语，导致非英语使用者无法获得先进的人工智能。当前的多语言能力提升方法主要依赖于数据驱动的后训练技术，如多语言指令调优或持续预训练。然而，这些方法存在显著局限，包括高资源消耗、加剧偏离目标问题以及灾难性遗忘中心语言能力。为此，我们提出Lens，这是一种新颖的方法，通过利用大语言模型内部的语言表示空间来增强多语言能力。Lens operates on two subspaces: the language-agnostic subspace, where it aligns target languages with the central language to inherit strong semantic representations, and the language-specific subspace, where it separates target and central languages to preserve linguistic specificity. 实验表明，在三个以英语为中心的大语言模型上，Lens显著提升了多语言性能，同时保持了模型的英语熟练程度，相较于现有后训练方法，实现更好的效果且计算成本更低。