表面礼貌，实际错误：一个用于修复多语言孟加拉语生成中敬语错误的数据集
计算与语言
2026-05-22 v1
摘要
多语言大语言模型（MLLMs）的最新进展显著增强了跨语言对话能力，然而对具有文化细微差别和上下文依赖的通信进行建模仍然是一个关键瓶颈。具体而言，现有的最先进模型在处理孟加拉语等低资源语境中的结构变化、地区习语和敬语一致性时，表现出严重的语用差距。为了解决这一局限性，我们引入了一个新颖的、文化对齐的指令微调数据集，用于\textbf{孟加拉语应用与对话生成 - BLADE}以及基准测试框架，该框架包含精心策划的个交互对。我们利用这一资源，通过LoRA适配器在4位NormalFloat（NF4）量化框架中进行参数高效微调，系统地微调和评估了领先的开源架构，包括DeepSeek-8B和LLaMA-3.2-3B。我们的实证评估表明，在我们的数据集上微调的模型在结构保真度和敬语对齐方面取得了显著改进，为弥合低资源多语言文本生成中的语用差距提供了严格的基准。代码和数据集：https://github.com/ashuvo25/Bangla_Application_LLM/tree/main
引用
@article{arxiv.2605.22487,
title = {Polite on the Surface, Wrong in Practice: A Curated Dataset for Fixing Honorific Failures in Multilingual Bangla Generation},
author = {Md. Asaduzzaman Shuvo and Mahedi Hasan and Md. Tashin Parvez and Azizul Haque Noman and Md. Shafayet Hossain Ovi},
journal= {arXiv preprint arXiv:2605.22487},
year = {2026}
}