Professor Finn-Erik Vinje har gått bort, 90 år gammal.
I målstrida var han ein motstandar. I språkrøkta var han ein kamerat.
Eg minnast pamfletten hans, "Skriveregler", som eg og ein kompis brukte som inspirasjon då vi skipa eit språkvask-selskap for nokre-og-ørten år sidan...
Eg har vidareutvikla skriptet «finn-relaterte-ord» – ei blanding av ei slags primitiv og ei avansert synonymordbok. No kan ein blant anna visa og filtrera ordklasse og skilja mellom ulike ord som har same stavemåte. Har òg laga ei nettside som viser mange eksempel på korleis ein kan bruka skriptet: https://huftis.org/artiklar/finn-relaterte-ord/
#språk #norsk #nynorsk #bokmål #ordbøker #norsktut #allheimen
Eg har laga eit lite skript som brukar data frå #Nynorskordboka til å finna alle ord som er nært relaterte til eit valfritt ord. Kan vera synonym, men òg andre nærskylde ord. Eit oppslag på «journalist» vil for eksempel gje orda «skribent» og «bladfyk», men òg ord som «avis» og «penn» og uttrykk som «ha ein god penn». Oppslag på «jazz» vil gje blant anna «improvisasjon» og «synkopere».
De finn skriptet her: https://gitlab.com/huftis/finn-relaterte-ord
#språk #norsk #nynorsk #bokmål #ordbøker #norsktut #allheimen
Fluent Alignment with Disfluent Judges: Post-training for Lower-resource Languages
https://arxiv.org/abs/2512.08777
Our method of post-training uses on-policy RL where the model trains exclusively on its own generated responses, guided by reward signals from an "judge" LLM model (that doesn't need to be be fluent). In a case study on #Norwegian #Bokmål with native-speaker evaluation, the on-policy approach was strongly preferred over both translated supervised fine-tuning and a multilingual baseline.
We propose a post-training method for lower-resource languages that preserves fluency of language models even when aligned by disfluent reward models. Preference-optimization is now a well-researched topic, but previous work has mostly addressed models for English and Chinese. Lower-resource languages lack both datasets written by native speakers and language models capable of generating fluent synthetic data. Thus, in this work, we focus on developing a fluent preference-aligned language model without any instruction-tuning data in the target language. Our approach uses an on-policy training method, which we compare with two common approaches: supervised finetuning on machine-translated data and multilingual finetuning. We conduct a case study on Norwegian Bokmål and evaluate fluency through native-speaker assessments. The results show that the on-policy aspect is crucial and outperforms the alternatives without relying on any hard-to-obtain data.
Apropos skriftlig #bokmål som ikke er #riksmål, her er en plakat fra Landslaget for språklig samling https://www.sprakligsamling.no/blank-4
> Heng den opp, på kontoret, i redaksjonen, i klasserommet, på lærerværelset, på oppslagstavla hjemme, sett den inn i ringpermen din, og vis den til alle du kjenner!
Nemlig!
Obvious realisation: #Norwegian -tøy and #German -zeug often correspond (e.g. verktøy, Werkzeug), and look as if they should be related. (Not sure how to check zeug, but -tøy is from words like Old Danish tyg: see https://naob.no/ordbok/t%C3%B8y_1 .)
Further realisation: I realised this a few years ago. It was useful for guessing the meaning of unfamiliar Norwegian words from familiar German ones. Now, I'm using it the other way round.
Målungdommen har laga ei oversikt over kva stortingspartia meiner om språkpolitikk. Resultata er nok ikkje heilt uventa.
#nynorsk #bokmål #målungdommen #språkpolitikk #valet2025 #norskpolitikk
Simon H.
Karl Ove Hufthammer
📎🐸ZhSigma@332ppm≅Σx,x∈S={🌱💚🇪🇺λP(θ|y)⁂}learn-languages-world-life
gemma lynn
LTG Oslo
Aslak Raanes
Tim J
Ivar Espås Vangen
Speckdäne