مروری بر رویکردهای بهینه‌سازی مدل‌های زبانی بزرگ چندزبانه برای زبان فارسی

مدل‌های زبانی بزرگ چندزبانه با بهره‌گیری از معماری ترنسفورمر، پیشرفت چشمگیری در پردازش زبان‌های انسانی داشته‌اند. با این حال، زبان فارسی به‌عنوان یکی از زبان‌های کم‌منبع، از نظر کیفیت و حجم داده‌های آموزشی با محدودیت‌های جدی مواجه است. این مقاله مروری، به بررسی رویکردهای اصلی بهینه‌سازی مدل‌های چندزبانه برای فارسی پرداخته و بر دو محور یادگیری انتقالی و داده‌سازی خودکار متمرکز شده است. بخش‌های مختلف مقاله با مرور پژوهش‌های داخلی و بین‌المللی، دسته‌بندی رویکردها، تحلیل نقاط قوت و ضعف، و بررسی چالش‌های فنی و زبانی فارسی را پوشش می‌دهند. همچنین، مسیرهای آینده برای توسعه مدل‌های چندزبانه سازگار با فارسی معرفی شده‌اند. نتایج این مرور نشان می‌دهد که ترکیب روش‌های انتقال دانش بین‌زبانی با تولید داده‌های مصنوعی کنترل‌شده، رویکردی موثر برای ارتقای عملکرد مدل‌های فارسی است و زمینه را برای کاربردهای گسترده‌تر در حوزه‌های ترجمه، جست‌وجو، و تولید متن فراهم می‌سازد.

a review of optimization approaches for multilingual large language models in persian

**abstract** multilingual large language models, leveraging the transformer architecture, have made remarkable progress in processing human languages. however, persian, as a low-resource language, faces serious challenges regarding both the quality and quantity of available training data. this review paper examines the main approaches to optimizing multilingual models for persian, focusing on two key aspects: transfer learning and automatic data generation. the various sections of the paper cover a survey of domestic and international studies, categorization of existing approaches, analysis of their strengths and weaknesses, and discussion of the technical and linguistic challenges specific to persian. furthermore, future directions for developing multilingual models adapted to persian are introduced. the results of this review indicate that combining cross-lingual knowledge transfer with controlled synthetic data generation constitutes an effective approach to improving persian model performance, paving the way for broader applications in translation, information retrieval, and text generation.