UPDESH：用于 13 种印度语言的 grounding 指令调优数据的合成

发展文化依赖性的多语言 AI 系统仍具有挑战性，尤其是针对低资源语言。虽然合成数据有望解决这一问题，但其在多语言和多文化语境中的有效性尚未得到充分探索。我们采用基于大型开源大语言模型（参数量≥2350亿）的自下而上合成数据生成方法，辅以语言特定的维基百科内容，与主导性的从英文进行的自上而下翻译方法形成互补。我们引入 Updesh，构建了一个规模庞大且高质量的合成指令跟随数据集，涵盖 13 种印度语言和英语，包含多样化的推理与生成任务。通过自动化指标和 1 万人工评估进行全面评估，确认数据质量高。随后在多种数据集上进行微调，并在 13 个多样化多语言数据集和模型比较评估中测试表现，结果显示在 NLU、NLG 评估方面，训练 Updesh 的模型均取得显著提升。最后通过消融研究和文化评估，我们表明，具有情境感知性且符合文化背景的数据生成对有效的多语言 AI 开发至关重要。