中国民族大学、西藏大学等机构研究者在 arXiv 发布论文《Towards the Roof of the World: NLP Progress in Tibetan Languages》，系统梳理藏语自然语言处理的发展脉络。论文发表于2026年10月9日，研究资料覆盖截至2026年9月25日的公开成果，因此并非对10月9日之后研究进展的统计。论文原始页面
研究团队从 ACL Anthology 和 DBLP 等来源筛选出140篇与藏语计算处理相关的同行评议出版物，覆盖2004年至2026年。作者称，其中84%的论文发表于2018年以后，说明藏语NLP在深度学习、预训练模型和大语言模型兴起后明显加速。中国机构研究者为87%的论文担任第一作者，但相关成果并不只集中在单一任务，而是从语料库、词切分和句法分析，逐步扩展到文字识别、语音处理、机器翻译、视觉语言模型和大语言模型应用。
论文特别强调，藏语具有文字不显式标记词边界、书面语与多种口语方言差异明显、数字化语料相对稀缺等特点。这些因素使模型训练、跨方言迁移和统一评测面临额外困难。研究统计显示，相关成果覆盖29个研究方向中的25个，但对话交互、伦理与偏见、智能体以及自然语言处理与代码模型等方向仍缺少论文，研究布局存在明显不均衡。
资源开放也是论文指出的关键短板。在纳入统计的140篇论文中，只有约29%公开了数据、代码或模型。对于低资源语言而言，资源发布不足会增加重复建设成本，也会限制不同团队之间的可复现比较。论文因此建议建立更统一的评测标准，扩大方言覆盖，提升数据和模型开放程度，并让语言社区更多参与语料建设与应用设计。
这项工作的价值主要不在于提出新的模型，而在于把分散在不同数据库、会议和期刊中的藏语NLP研究放到同一框架下观察。它显示，低资源语言的发展不能只依赖通用大模型的迁移，还需要长期积累语料、词法句法资源、语音数据和社区认可的评测体系。需要注意的是，这是一篇基于公开文献的综述，部分年度趋势会受到数据库收录范围、会议专题和2026年数据尚未完整统计等因素影响，不能直接等同于整个藏语技术生态的完整规模。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
