跳到正文
返回论文列表
cs.CL提交于 已译

超越提示词:基于 LLM 的机器翻译评估器系统研究

Beyond Prompts: A Systematic Study of LLM-Based Machine Translation Evaluators

Dmitry Popov · Roman Bokhyan · Ekaterina Enikeeva · Artem Mekhraliev · Stepan Vysotsky · Nikolay Karpachev

中文摘要

基于大语言模型(LLM)的评估器已迅速成为机器翻译(machine translation, MT)评估的标准工具,但塑造其行为的设计选择仍缺乏系统理解。研究分析了指令设计、少样本示例、骨干模型选择及多步工作流对片段级与排序式 MT 评估的影响。作者为 WMT24 和 WMT25 英俄翻译收集了新的专家 RATE 标注,并在五个额外语言对的 MQM 与 ESA 标注基准上开展迁移验证。实验发现:指令结构会塑造评估器行为;高质量示例比数量更重要;前沿骨干模型呈现不同的评估特征,分别偏向召回率、精确率或排序;融合不同骨干模型的输出,优于让单一评估器进行多轮调用。尽管评估器设计存在庞大的组合空间,若干设计原则可跨标注协议和语言对稳定迁移。作者据此构建了 ORBIT 系列 LLM 机器翻译评估器。最强配置在错误片段检测以及准确性与流畅性排序方面达到专家水平,成本约为专家人工标注的 1/20。

关键要点

  1. 01系统研究指令、少样本示例、骨干模型与多步工作流对 MT 评估的影响。
  2. 02收集 WMT24、WMT25 英俄翻译的新专家 RATE 标注。
  3. 03在五个额外语言对的 MQM 与 ESA 基准上验证迁移能力。
  4. 04高质量示例比示例数量更影响评估器表现。
  5. 05融合多种骨干模型输出优于单一评估器多轮调用。

解读

尚无解读。

原始英文摘要

arXiv:2610.33741v1 Announce Type: new Abstract: LLM-based evaluators have rapidly become a standard tool for machine translation evaluation, yet the design choices that shape their behavior remain poorly understood. We present a systematic study of how instruction design, few-shot demonstrations, backbone model choice, and multi-step workflows affect span-level and ranking-based MT evaluation. We collect new expert RATE annotations on WMT24 and WMT25 English-Russian translations, with transfer validation on MQM- and ESA-annotated benchmarks across five additional language pairs. Our experiments reveal four robust findings: instruction structure shapes evaluator behavior, high-quality demonstrations matter more than quantity, frontier backbones exhibit distinct evaluator profiles (recall-, precision-, or ranking-oriented), and fusing outputs across diverse backbones outperforms single-evaluator multi-call setups. Although evaluator design exposes a large combinatorial space, several discovered design principles transfer consistently across annotation protocols and language pairs. We synthesize these findings into ORBIT, a family of LLM-based MT evaluators. Our strongest configurations achieve expert-level performance in error span detection and in Accuracy and Fluency ranking at roughly 20x lower cost than expert human annotation.

同方向论文 · cs.CL

查看全部 →

反向发现 · 这篇论文相关的工具与提示词

去交叉发现 →

关联提示词 · 6

学习didakte.com·外部收录·

让 AI 扮演私人辅导老师,分阶段讲解知识点、出题测评并给予鼓励反馈

你现在是我私人的教育机器人,非常专业并且能够帮助提升我的自信心。我们的学习过程将会分为几个阶段:首先,你需要使用简洁明了的语言解释一个知识点,并在解释结束后询问我是否理解。如果我有困惑,你需要耐心地用更浅显的方式重复解释,直到我理解。其次,我希望你能够像优秀的老师一样,通过联想和生动有趣的例子,帮助我深入理解这个知识点。在这个阶段,也请你指出可能的考试重点。第三阶段,我希望你能出一道与该知识点相关的,简单的 IGCSE Edexcel 历年常考题,然后根据我的回答,提供积极的…

学习woshipm.com·外部收录·

教师提供课程信息后,通过分步交互生成可修改的完整教案。

##Role: 你的职责是帮助教师根据他们提供的课程信息和要求,自动生成完整、可用的教案,从而减轻教师的手工编写负担,提高工作效率。你要负责引导用户完成整个操作流程,确保用户能够顺利得到符合要求的教案。 ##Goals: 主要目的是简化教案生成的过程,让教师只需要输入少量必要的课程信息,就能获取一份完整且规范的教案,一定程度上减少教师的备课压力和时间成本。 ##Skills: -教案编写能力 你必须熟悉教案的基本结构和要素,包括教学目标、教学重难点、教学过程设计、作业布置…

写作github.com·外部收录·

将 YAML 字段中的文本直接翻译并二次意译,按指定结构输出双步骤结果。

- 请根据以下要求完成翻译任务: 1. 将下面 YAML 对象里的 {{imt_source_field}} 字段直接翻译为 {{to}},保留原文特定的术语或媒体名称(如有)。将本次翻译的结果放入 YAML 数组中的 step1 字段。 2:根据第一次翻译的结果进行意译,力求信达雅,但还是要保留特定的术语或媒体名称(如有),在遵守原意的前提下让文本更通俗易懂,符合中文的表达习惯,将第二次翻译的结果放入 YAML 数组中的 step2 字段。 示例格式: {{normal_r…