一般的神經機器翻譯模型（NMT）實現的是一種語言到另一種語言的翻譯，也就是用在特定的語言對之間。最近一些工作開始將一般的NMT擴展到多語言的場景。目前兩種通常的做法是：一、爲每種源語言單獨準備一個encoder，每種目標語言也準備一個decoder，然後encoder和decoder之間共享一個注意力層。二、不管源端和目標端多少種語言統一一個encoder，一個decoder，然後attention。
1.《Toward Multilingual Neural Machine Translation with Universal Encoder and Decoder》:一個encoder-decoder
低資源平行語料（En->De）情況下：融合單語語料(De->De)或其他低資源平行語料（例如Fr->De）能夠提升模型效果。
融合大量單語語料情況下：也可以提升模型效果。
零資源：有De->En，En->Fr的平行語料，沒有單獨De->Fr的平行語料，看看De->Fr的翻譯效果。
一個箭頭（->）代表一個模型，例如Direct(De->Fr)就是有平行語料的情況下訓練一個模型，Pivot(De->En->Fr)就是訓練兩個模型，En作爲中間語言。發現效果並不好。
2. 《Multilingual NMT with a language-indepent attention bridge》（2019ACL）獨立的encoder，decoder+share attention
