Forskere har introduceret Padamitra, en ny benchmark-opgave kaldet 'grounded glossary generation', der tvinger AI-modeller til at genfinde meningsfulde sanskrit-fraser og koble dem til oversættelsesbaserede betydninger fra et sloka-oversættelsespar. Opgaven formaliserer den traditionelle patha-kommentarpraksis som et evaluerbart NLP-mål og består af 31.316 tripler fra Valmiki Ramayana og Srimad Bhagavatam, vurderet med to metrikker: Jaccard for frasegenfinding og Meaning Faithfulness for semantisk konsistens.
Resultaterne viser, at instruktionsfinjustering markant overgår prompting på tværs af modeller som Gemma-3n-E4B, Gemma-3-12B, Phi-4 og Qwen3.5-9B, og at eksplicit segmentering giver yderligere gevinster. Fejlanalysen peger på over-segmentering af sandhi- og samasa-sammensætninger som den dominerende fejlkilde, hvilket gør morfologisk modellering til den centrale flaskehals for trofast sanskrit-leksikalsk dekomponering.
For beslutningstagere inden for sprogteknologi og digital humaniora betyder dette, at klassiske sprog som sanskrit kræver specialiserede tilgange frem for generiske prompt-strategier. Virksomheder og institutioner, der bygger værktøjer til tekstanalyse, oversættelse eller kulturarvsdigitalisering, bør overveje at investere i morfologisk bevidste modeller og finjusterede pipelines, hvis de vil levere pålidelige resultater for ældre sprog. Samtidig åbner benchmarken for nye kommercielle anvendelser inden for uddannelse, forskning og indholdsproduktion, hvor præcis sproglig forståelse er afgørende.
Selvom opgaven er akademisk i sin oprindelse, illustrerer den en bredere tendens: AI's evne til at håndtere sprog med kompleks morfologi er ikke løst med større modeller alene. For dem, der planlægger at bruge AI til sproglige domæner uden for engelsk, er det værd at notere, at tilpassede finjusteringsstrategier og eksplicit strukturel information kan være nødvendige for at opnå brugbare resultater.
