“`html
Машинный перевод (MT) и его проблемы в литературных текстах
Машинный перевод (MT) сделал значительный прогресс благодаря глубокому обучению и нейронным сетям. Однако литературные тексты, известные своим сложным языком, фигуративными выражениями, культурными вариациями и уникальным стилем, создают проблемы, с которыми машины трудно справляются. Из-за этой сложности литературный перевод становится одной из самых сложных областей в машинном переводе, часто называемой “последним рубежом машинного перевода”.
Большие языковые модели (LLM) и их применение в машинном переводе
Большие языковые модели (LLM) преобразовали область искусственного интеллекта. Эти модели предварительно обучаются на огромном объеме текстовых данных, учатся предсказывать следующее слово в предложении. После предварительного обучения используется надзорная донастройка (SFT) или инструкционная донастройка (IT) для тонкой настройки моделей с использованием инструкций, позволяя им адаптировать свои общие языковые знания. Другим методом являются мультиагентные системы, в которых развиваются интеллектуальные агенты для понимания своих окружений, принятия хороших решений и реагирования соответствующими действиями. Кроме того, в последнее время MT достиг значительных прорывов, включая многозадачный MT, многоресурсный MT, мультиязычный MT и неавторегрессивный MT.
TRANSAGENTS: мультиагентная система для литературного перевода
Исследователи из Университета Монаша, Университета Макао и лаборатории искусственного интеллекта Tencent представили TRANSAGENTS, мультиагентную систему для литературного перевода, способную справляться с сложными деталями литературных произведений с использованием методов мультиагентности. Несмотря на то, что метод показывает плохую производительность по оценочным показателям d-BLEU, он предпочтителен для человеческих оценщиков и оценщика LLM перед рефератами, написанными людьми, и переводами GPT-4. TRANSAGENTS может генерировать переводы с более детальными и разнообразными описаниями, и он в 80 раз дешевле по сравнению с профессиональными человеческими переводчиками во время анализа стоимости литературного перевода.
Оценочные стратегии и сравнение с другими методами
Исследователи представили две стратегии оценки качества переводов: монолингвистическую предпочтительность человека (MHP) и билингвистическую предпочтительность LLM (BLP). MHP фокусируется на влиянии перевода на целевую аудиторию, уделяя внимание плавности и соответствию культуре, в то время как BLP сравнивает переводы непосредственно с оригинальными текстами с использованием передовых LLM. TRANSAGENTS сравнивается с другими методами, такими как REFERENCE 1 и GPT-4-1106-PREVIEW с использованием оценок монолингвистической предпочтительности человека. Результаты показывают, что человеческие оценщики предпочитают переводы, сгенерированные TRANSAGENTS, над другими двумя упомянутыми методами. Кроме того, модели оцениваются с использованием BLP, и результаты показывают, что GPT-4-0125-PREVIEW предпочитает переводы, произведенные TRANSAGENTS, показывая его устойчивое предпочтение к детальным и разнообразным описаниям при оценке литературных переводов. Кроме того, REFERENCE 1 стоит $168.48 за главу перевода, в то время как TRANSAGENTS стоит $500 за весь тестовый набор, что в 80 раз дешевле.
Заключение и рекомендации
Исследователи представили TRANSAGENTS, мультиагентную виртуальную компанию, разработанную для литературного перевода, отражающую традиционный процесс публикации переводов. Кроме того, были представлены две стратегии, MHP и BLP, для оценки качества переводов. Несмотря на более низкие оценки d-BLEU, переводы, сгенерированные TRANSAGENTS, предпочтительны перед рефератами, написанными людьми, для человеческих оценщиков и языковых моделей, и они в 80 раз дешевле по сравнению с профессиональными человеческими переводчиками для литературного текста. Однако определенные ограничения TRANSAGENTS подчеркивают проблемы в подходах к оценке машинного перевода, такие как плохие метрики оценки и надежность рефератных переводов.
“`
