Chain-of-Thought Reasoning Improves Context-Aware Translation with Large Language Models

文章核心总结与翻译

一、主要内容

本文聚焦大型语言模型（LLMs）在处理句间依赖的上下文感知翻译能力，通过英语-法语DiscEvalMT基准测试，针对代词指代和词汇衔接两大翻译挑战，评估了12个来自DeepSeek-R1、GPT、Llama、Mistral和Phi家族的模型。研究设计了两项任务：区分正确与看似合理的错误翻译、生成正确翻译，并对比了鼓励思维链（CoT）推理与不鼓励推理的提示词效果。结果显示，GPT-4、GPT-4o和Phi等顶尖模型借助CoT推理，在第一项任务中准确率达90%左右，第二项任务的COMET评分约92%，且呈现“智者愈智”效应——推理带来的性能提升与模型基础得分正相关。

二、创新点

1. 系统评估了12个LLM在句间依赖翻译任务中的表现，刷新了DiscEvalMT基准在代词指代和词汇衔接上的性能纪录。
2. 证实BLEU、chrF、BERTscore和COMET等指标对翻译任务的评分具有一致性，验证了评估结果的可靠性。
3. 首次明确CoT提示词仅对顶尖模型的翻译连贯性有提升作用，且提出“智者愈智”效应，为后续LLM翻译优化提供了新方向。

---

三、核心部分翻译（Markdown格式）

Abstract（摘要）

本文评估了大型语言模型（LLMs）翻译包含句间依赖文本的能力。我们采用英语-法语DiscEvalMT基准测试集（Bawden等人，2018），该数据集包含成对句子，分