文章主要内容总结本文针对韩语大语言模型（LLMs）因韩语独特的语言特性（尤其是汉源韩语词的同音异义现象）导致的语义歧义问题，提出了一种名为HanjaBridge的方法。该方法通过在持续预训练（CPT）框架中融入“汉字增强语义注入”技术，为每个同音的韩语词提供所有可能的汉字（Hanja）候选，引导模型通过上下文进行语义消歧；同时结合token级知识蒸馏，防止模型在优化韩语性能时遗忘其他语言能力。实验结果显示，HanjaBridge在韩语理解任务上表现显著，尤其在KoBALT基准测试中实现了21%的相对性能提升；同时，通过韩中共享汉字强化语义对齐，促进了跨语言迁移能力。此外，该方法在推理时无需保留汉字增强信息，不增加额外运行成本，兼顾了实用性与效率。创新点多候选汉字注入：不同于将韩语词映射到单一汉字的传统方式，HanjaBridge提供所有可能的汉字候选，迫使模型主动利用上下文进行语义消歧，增强了模型对歧义的辨别能力。token级知识蒸馏：在持续预训练中结合知识蒸馏，使模型在提升韩语性能的同时，保留原有多语言能力（尤其是英语），避免了“灾难性遗忘”。无推理成本损耗：仅在训练阶段使用汉字增强，推理时无需额外处理，保持了与原有模型一致的运行效率，便于实际部署。跨语言语义对齐：利用韩中共享的汉字（Hanja），强化了两种语言在词级别的语义关联，提升了跨语言迁移性能。