低资源语言（LRLs）通常缺乏高质量、大规模的数据集，限制了其在检索增强生成（RAG）和语义搜索等任务中的应用。研究挑战了有效语义对齐需要大量数据集或经过人工验证的翻译这一普遍假设。以亚美尼亚语为例，采用了一种成本效益高的适应策略，通过使用开放权重模型将英文Reddit标题-正文对翻译生成的小规模噪声合成数据。建立了一个全面的评估基准，包含现有数据集、翻译数据和手动整理的数据集。实验结果表明，该方...