文章核心总结与翻译一、主要内容本文针对藏语这一低资源语言（数据稀缺、形态复杂且代表性不足），提出了一种两阶段训练框架，将Qwen2.5-3B大语言模型适配于藏语场景：持续预训练（CPT）阶段：使用20万条藏语单语语料（涵盖新闻、文学、宗教文本等多体裁），以自回归语言建模为目标，让模型建立藏语词汇、句法和语篇层面的语言基础，最大上下文长度设为8192 tokens。监督微调（SFT）阶段：基于5万条指令数据（80%藏语相关任务+20%中文通用指令），涵盖藏语指令遵循、汉藏翻译、英藏翻译三类任务，巩固模型的任务适配能力并避免灾难性遗忘，最大序列长度设为4096 tokens。实验结果显示，该框架成效显著：模型困惑度从2.98降至1.54；汉藏翻译BLEU值从0.046提升至0.261（提升5.7倍），chrF值从2.2提升至6.6（提升3倍）；英藏翻译也通过跨语言迁移实现显著提升。层间权重分析表明，适配主要集中在嵌入层、输出头及中晚期MLP投影层，且SFT阶段是巩固而非覆盖CPT阶段建立的语言表征。二、创新点提出了首个针对藏语大模型的两阶段适配框架，系统分离语言基础构建与任务适配，有效解决低资源场景下的模型适配问题，且框架可复现、开源。首次对藏语大模型适配的内部机制进行定量探索，通过435层的层间权重分析，揭示了模型适配的关键层位与参数演化规律（CPT与SFT权重变化相关性接近1.0）。验证了