GLOSS-MT 用可编辑词典为低资源翻译加入可控性
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载词典查换与单次微调
GLOSS-MT 的做法是在离线词典中查找源语句子里的名词短语，凡是能查到的条目，就直接把该短语替换成目标语言 Twi 的对应译法，从而得到一种源语与译语词汇混杂的输入。模型只需针对这类混合输入做一次微调，之后便用于翻译。这一流程把术语适配从“准备新的平行语料并再次微调”改为“维护一份可编辑的词典”，词典本身不参与训练，改动条目即可改变译法。作者把同一套数据和流程应用到 NLLB-200 的三个规模、OPUS-MT 的英语到 Twi 方向以及 TranslateGemma 4B 上，用以观察该方法在不同模型上的表现是否一致。
基准上的分数变化
评测使用一个文档级英译 Asante Twi 基准，包含 84 篇文档、覆盖四个领域。结果显示，每个经过微调的模型在 chrF2 上都高于其未微调的基座版本，提升幅度在 +2.85 到 +5.48 之间。三个 NLLB 微调版本在开放系统中得分最好，区间为 50.12 至 50.80。这些数字说明，引入混合输入的训练并没有让预训练模型的表现倒退，反而在文档级指标上有所前进；提升幅度随模型不同而不同，但方向一致。
替换词条即可改译文
可控性测试使用人工翻译的圣经段落。测试中，三个微调模型写出的词典术语占相当比例；当把词典中的每个条目替换成另一个词时，输出也随之改变，新词同样出现在译文中，而整个过程不需要重新训练。这说明术语的取舍由词典内容决定，模型本身保持不变。对使用者而言，术语更新可以落在词典这一层，不必为每个新词表重跑训练流程；同时，效果依赖于词典能否覆盖源语中的名词短语，未被收录的短语仍按模型原有方式翻译。
开放模型与数据
作者公开了模型、数据和代码，并给出模型与代码的链接。论文共 4 页、含 2 张表格，归入计算与语言以及人工智能方向。对低资源语言的使用者来说，可复用的部分是那条“查词典、原位替换、单次微调”的流水线，以及配套的文档级基准；需要自行准备的是面向具体领域的词典条目。
为什么值得看
用可编辑词典替代重复微调，为低资源语言术语控制提供可复现方案，并公开模型与代码。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。