Neues Konkani-LLM: Mehrsprachiges Instruction Tuning für ressourcenarme Sprache

Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz hat ein großes Sprachmodell speziell für die indische Sprache Konkani entwickelt. Das Modell, das auf dem arXiv-Preprint 2603.23529v1 vorgestellt wurde, nutzt ein umfangreiches, synthetisch generiertes Dataset namens Konkani-Instruct-100k, das mithilfe von Gemini 3 erstellt wurde.

Die Herausforderung bei Konkani besteht in der geringen Verfügbarkeit von Trainingsdaten und der Vielfalt der Schriften – Devanagari, Romi und Kannada. Durch gezieltes Instruction‑Tuning konnten die Autoren die Leistung der Modelle deutlich steigern und ein robustes Benchmarking‑Set für die drei Schriften aufbauen.

Zur Bewertung wurden führende Open‑Weight‑Modelle wie Llama 3.1, Qwen 2.5 und Gemma 3 sowie proprietäre Modelle getestet. Die Ergebnisse zeigen, dass das neue Konkani‑LLM in maschinellen Übersetzungsaufgaben konsequent bessere Ergebnisse liefert als die Basis‑Modelle und in vielen Fällen sogar proprietäre Baselines übertrifft.

Ein weiteres Highlight des Projekts ist die Entwicklung des Multi‑Script Konkani Benchmark, das die Leistungsfähigkeit von Modellen über die verschiedenen Schriften hinweg vergleichbar macht. Damit wird ein wichtiger Schritt zur Förderung von KI‑Technologien in ressourcenarmen Sprachen gesetzt.