.png){kind=icon}
返回
Reasoning-Guided LLM Translation Optimization: A Framework Using Multidimensional Postediting Feedback
.png){kind=icon}
OA
AI
DOI：10.1155/int/9971702.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然大型语言模型（LLMs）展现出强大的翻译能力，但将其输出优化至人类水平的精炼程度需要引入基于推理的指导方法，这些方法超越了简单的生成。本文引入了多维反馈与后编辑思维（MFPE），这是一个专为基于推理的LLM翻译优化设计的全新框架。MFPE通过利用多维后编辑反馈来实现这种指导，该反馈作为对LLM的明确推理信号。这种反馈机制模拟了人类的后编辑过程，其中错误被系统地识别和修正。该反馈由一个在合成数据集上训练的专用优化模型生成（使用GLM-4，并借鉴多维质量指标（MQM）），为初始LLM翻译提供细粒度的错误详情，包括错误片段、类别和数量。我们在四种语言对上进行了实验：中英、德英、英中、英德。结果表明，使用结构化、类推理反馈进行微调能显著提升翻译质量，并优于标准的双语微调方法。我们的发现强调了通过结构化反馈模拟后编辑推理的有效性，为利用和提升LLM在高质量机器翻译等复杂任务上的推断能力提供了有前景的方向。
Keyword:
MQM (multidimensional quality metrics)
reasoning-guided translation optimization
structured feedback
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.7
论文数:
3.1K
被引数:
8.1K
机构
引用论文
.png){kind=icon}
Experts, Errors, and Context: A Large-Scale Study of Human Evaluation for Machine Translation专家，错误和上下文: 对机器翻译的人类评估的大规模研究
OAAI
OAAI分享收藏
查看更多内容