文章主要内容总结本文聚焦于多语言大语言模型（LLMs）在低资源语言（以印地语为例）中的性能差距问题，旨在通过基于LLM的选择性翻译技术提升模型在低资源语言上的对齐效果。研究背景指出，多语言LLMs在英语与非英语语言（尤其是低资源语言）间存在显著性能差异，核心瓶颈在于低资源语言缺乏高质量对齐数据。传统方法通过翻译英语对齐数据来补充，但常规翻译技术难以保留代码、数学表达式、JSON等非可翻译内容，导致数据失效。为此，本文提出基于LLM的选择性翻译：仅翻译文本中可翻译部分，同时保留非可翻译内容和句子结构。研究通过三个关键问题展开：与谷歌云翻译（GCP）等传统翻译相比，LLM选择性翻译的效果如何；混合英语原始数据与目标语言翻译数据的最优策略；过滤翻译噪声对模型性能的影响。实验以印地语为对象，使用Nemotron-4-Mini-Hindi-4B-Base模型，对比GCP翻译与Llama3.1-405B的选择性翻译结果，通过SFT（有监督微调）和DPO（直接偏好优化）训练，并在MTBench、IFEval、GSM8K等数据集上评估。结果表明：LLM选择性翻译显著优于传统翻译，混合英语数据能提升性能，过滤噪声可提高训练效率。创新点提出LLM-based选择性翻译技术：通过LLM的推理能力区分可翻译与非可翻译内容，解决传统翻译中代码、数学表达式等结构丢失的问题，保留数据功能完整性。系统研究翻译策略