cs.CL提交于 2026-10-21已译

UvA-MT 参与 WMT26 通用翻译共享任务

UvA-MT's Participation in the WMT26 General Translation Shared Task

Di Wu · Sergey Troshin · Wafaa Mohammed · Seth Aycock · Evgeniia Tokarchuk · Vlad Niculae · et al.

中文摘要

该提交针对 WMT 2026 通用机器翻译共享任务的无约束赛道，覆盖全部 23 个翻译方向。系统充分利用大语言模型（LLM）的测试时方法。首先，采用顺序采样结合精化提示（refinement prompt）生成翻译候选池，该策略优于传统并行采样。其次，利用 LLM 作为成对裁判（pairwise judges），通过循环投票机制（round-robin voting）从候选中选出最佳译文。在 WMT25 基准上的离线评估显示，该方法相比逐点最佳 N 选（point-wise best-of-N）选择有显著提升。这两项策略共同构成了 UvA-MT 的 WMT26 参赛系统。

关键要点

01参与 WMT 2026 通用机器翻译共享任务无约束赛道，覆盖全部 23 个翻译方向。
02采用顺序采样结合精化提示生成候选池，该策略优于传统并行采样方法。
03利用 LLM 作为成对裁判，通过循环投票机制从候选中选出最佳译文。
04在 WMT25 基准离线评估中，该方法显著优于逐点最佳 N 选（best-of-N）策略。

解读

尚无解读。

原始英文摘要

arXiv:2610.27852v1 Announce Type: new Abstract: This paper presents UvA-MT's submission to the WMT 2026 General Machine Translation shared task, competing in the unconstrained track across all 23 translation directions. This year, we fully leverage the test-time methods of Large Language Models (LLMs) for machine translation. Specifically, (1) we use sequential sampling with a refinement prompt to generate a pool of translation candidates for each source segment, a strategy shown to outperform traditional parallel sampling; and (2) we employ LLMs as pairwise judges to select the best candidate via a round-robin voting mechanism, with offline evaluation on the WMT25 benchmark showing a very clear improvement over point-wise best-of-N selection. Combined, these two strategies form our WMT26 submission.