Integrating Drift-Diffusion Model with Large Language Models for Machine Translation_rethinking human-like translation strategy: integr-优快云博客

本文是LLM系列文章，针对《Rethinking Human-like Translation Strategy: Integrating Drift-Diffusion Model with Large Language Models for Machine Translation》的翻译。

对类人翻译策略的再思考——融合漂移扩散模型与机器翻译大语言模型

摘要
1 引言
2 前言
3 方法
4 实验
5 相关工作
6 结论和未来工作
局限性

摘要

大型语言模型（LLM）在包括机器翻译在内的各种下游任务中显示出了巨大的潜力。然而，先前关于基于LLM的机器翻译的工作主要集中在更好地利用训练数据、演示或预定义的通用知识来提高性能，而缺乏像人类翻译那样考虑决策。在本文中，我们将Thinker与漂移扩散模型（Thinker DDM）相结合来解决这个问题。然后，我们重新定义了漂移扩散过程，以模仿人类译者在资源受限的情况下的动态决策。我们使用WMT22和CommonMT数据集，在高资源、低资源和常识翻译设置下进行了广泛的实验，其中Thinker DDM在前两种情况下都优于基线。我们还对常识翻译进行了额外的分析和评估，以说明所提出的方法的高效性和有效性。