标签
该论文批判了传统机器翻译评估方法（MQM、ESA）的局限，提出了RATE（Refined Assessment for Translation Evaluation）协议和由专业语言学家标注的高质量英俄翻译评估数据集，发现SOTA机器翻译系统在准确度上可能已超越人类翻译，但在流畅度上仍存在差距。
一项关于基于大语言模型的机器翻译评估器设计的系统研究，涵盖指令结构、少样本示例、骨干模型选择和多步骤工作流，并推出了 Orbit——一系列基于大语言模型的机器翻译评估器，能够以约为人工标注二十分之一的成本，在错误片段检测和排序方面达到专家水平。
该论文提出了并行预训练（PPT），将文档及其译文拼接在同一个训练序列中，并发现，在相同的词元预算下，先进行 PPT、再进行标准预训练的两阶段方法，相比标准预训练，能够持续提升通用语言理解能力和跨语言表现。
Team Alkhder 在 AlexandriaX-2026 共享任务中的提交方案采用 QLoRA 对 NileChat-3B-Base 进行微调，实现上下文感知的英语到 13 种阿拉伯语方言的对话翻译，spBLEU 达 20.36，chrF++ 达 36.64，在两个赛道中均排名第六。
这篇论文通过在他加禄语上的受控实验（将MorphAustro-Tok与BPE及打乱形态素的对照组进行比较），发现形态感知分词确实能提升机器翻译效果，但形态正确性本身并不带来收益——增益仅来自分词粒度与一致性，而非语言学上正确的切分。
亚马逊研究人员推出了选择性检索增强翻译（SRAT），这是一种智能体强化学习框架，能够学习何时检索外部证据、检索什么内容，以及如何将其融入基于大语言模型的机器翻译，其表现优于从不检索和始终检索的基线方法。
Quanta Magazine 探索「注意力」机制如何成为现代 AI 的核心：从 Dzmitry Bahdanau 2014 年的机器翻译研究，到 Google 2017 年的 Transformer 论文，再到 ChatGPT 等大语言模型的崛起。
论文提出 HexaBee-4B，一个基于 Gemma3 4BIT 通过三阶段训练（维基百科持续预训练、多语言问答与答案翻译联合训练、双向翻译专业化）改编的六语种翻译模型，在阿拉伯语、中文、英语、希伯来语、波斯语和西班牙语全部 30 个翻译方向上相比基线均有 chrF++ 提升。
本文提出了一种面向低资源僧伽罗语-英语神经机器翻译的无参考幻觉检测框架，构建了包含45,000个样本的合成腐蚀数据集，并通过对mDeBERTa-v3进行微调，在八个神经机器翻译系统的基准测试中实现了0.841的词元级F1分数。
本文评估了大语言模型在MQM和ESA两种评价框架下、涵盖70个语言对以及WMT23/WMT25数据集的机器翻译质量评估中替代人类标注员的能力，发现无论人类还是大语言模型在许多场景下仍不可靠，并提出人机协作的标注流程。
一篇随笔认为，AI（尤其是 LLM）已经悄然实现了近乎完美的机器翻译，在数十年进展平平之后，实际上已经打破了语言壁垒。
本文通过访谈21名参与者，并结合对临床语料中经Google Translate翻译实例的定性分析，以医疗缩略语为案例，考察了英国医疗从业人员在依赖机器翻译（主要是Google Translate）与患者沟通时对其中风险的认知情况。
该论文提出了 SMART，一个用于长篇字幕翻译的自演化多智能体系统。该系统采用测试时训练机制，结合动态路由器、Mixture-of-Agents 层以及 judge-refiner 循环，在不重新训练底层 LLM 的前提下构建剧集级记忆并自适应地调整智能体提示词。论文还推出了 SubtitleArena 基准测试（涵盖 14 个类型、15 个目标语言区域）以及 SubMQM 评估框架，相比同类智能体系统实现了平均 6.9% 的 MQM 惩罚分数降低，并在 MuSC 基准测试上取得了最佳结果。
本文通过对比微调的NMT模型和少样本LLM，对阿拉伯语-俄语机器翻译进行基准测试，发现在低资源条件下，微调的NMT显著优于LLM。
EnSiTa 是一个支持英语、僧伽罗语和泰米尔语的三语多领域平行数据集和基准，包含人工后编辑的训练数据，并进行了大量领域特定机器翻译的实验，以应对低资源语言的挑战。
本文提出了一种系统性的标签感知结构化文本翻译方法，通过处理数据合成、能力构建和对齐，展示了比现有方法显著改进的效果。
本文介绍了COILD，这是一个以印度语言为中心的平行语料库，包含超过116万对句子，覆盖20对印度语言，并提供了一个以领域为中心的基准。研究结果表明，在微调多语言模型时，机器翻译性能得到了显著提升。
本研究对跨职业机器翻译评估指标的性别偏见进行基准测试，揭示男性化翻译倾向于获得更高分数，且偏见因语言和评估者而异。
本文分析了大型推理模型在机器翻译中的推理轨迹，发现推理收益是有条件的，并引入Hierarchical Meta-Summarization来理解轨迹模式。
本文提出一个三层清单-评判框架，用于评估机器翻译对话中口译智能体在语义、语用和文化-社会维度上的交际成功度，并通过广泛的基准测试进行了验证。