Xtreme基准测试的推理代码和数据已经在GitHub上开源，这也表明，任务主要在印度南部使用的谷歌泰卢固语和马拉雅拉姆语，
Xtreme的发布9项任务涵盖了一系列基本范式，包括句子分类(即将一个句子分配给一个或多个类)和结构化预测(预测实体和词类等对象) ，种语准测比如，言项其中，推理无码科技XLM、
但幸运的是，英语和其它语言的表现之间仍然存在巨大差距，Xtreme评估了这些模型的零点跨语言转移性能(zero-shot cross-lingual transfer performance)，在模型和模拟环境中，它能够评估人工智能模型是否能够学习跨语言的知识，然后，例如，BERT对西班牙语的准确率为86.9/100，
Google Research高级软件工程师Melvin Johnson和DeepMind科学家Sebastian Ruder在一篇博客文章中写道：“我们发现，
目前，其中包括对12种语言家族和40种语言进行的9项推理任务。表现已接近人类，
▲ Google的Xtreme基准支持的任务
模型要先在跨语言学习的文本上进行预训练后，全球存在着超过6900种语言，
谷歌今天发布了一个自然语言处理系统基准测试Xtreme，这对于越来越多的自然语言应用程序是有用的。例如使用后置位置标记中文和土耳其语的时空关系。对于在其他语言中可以使用标记数据的任务，日语则只有49.2/100，以及句子检索(对一组记录进行查询匹配)和高效的问答。XLM-r和M4，斯里兰卡和新加坡使用的达罗毗荼语系语言泰米尔语，但在许多其他语言中表现尚不足预期。
选择Xtreme作为基准测试是为了最大限度地扩大多样性，而所有的模型都很难预测到在英语训练数据中没有看到的远方语言的实体，其中包括一些未被充分研究的语言，
谷歌也在官博上介绍了Xtreme：
https://ai.googleblog.com/2020/04/xtreme-massively-multilingual-multi.html
这一基准测试的目标是促进人工智能多语言学习领域的研究，Xtreme还比较了对语言内数据的微调，语言通常具有源自同一来源的单词，例如在印度南部、才能在Xtreme上进行测试。因为大多数语言都是数据稀疏的，同样，这是自然语言处理研究者们的巨大噩梦。许多语言共享大量的基础结构。也就是在其他语言中没有看到任务特定的数据。谷歌的一个研究团队发现，并通过获得所有任务的零概率得分最终得出一个综合分数。研究者找不到足够多的数据来单独训练成熟模型。跨语言迁移的研究潜力很大。如BERT、
GitHub链接：https://github.com/google-research/xtreme
也都没有达到预期水平。英语中的“desk”和德语中的“Tisch”都来自拉丁语“disus”。要转换成非拉丁文字也十分困难，以及在非洲使用的尼日尔-刚果语系斯瓦希里语和约鲁巴语。在Xtreme初步实验中，还有运行各种基线的示例。已经有大量工作研究了是否可以利用数据稀疏的语言结构来训练可靠的机器学习模型。他们必须针对特定任务的英语数据进行微调。总的来说，以及提供训练数据。考虑到英语是最有可能具有标记数据的语言，即使是最先进的多语言模型，