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，针对代词回指和词汇衔接两大翻译挑战，评估了12个不同家族的LLMs（含GPT、Llama、Mistral等）。研究设计了两项任务：区分正确与看似合理的错误翻译、生成符合上下文的正确翻译，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“强者愈强”效应——推理带来的性能提升与模型基础能力正相关。

二、创新点

1. 系统评估了12个LLMs在句间依赖翻译任务中的表现，刷新了DiscEvalMT基准在代词回指和词汇衔接上的性能纪录。
2. 证实CoT推理提示词能提升翻译连贯性，但仅对顶尖模型有效，揭示了“强者愈强”的性能提升模式。
3. 验证了BLEU、chrF、BERTScore和COMET等指标在评估上下文感知翻译时的一致性，为该领域评估提供了可靠参考。
4. 设计了针对代词回指和词汇衔接的专用CoT推理提示词，为上下文感知翻译的提示词工程提供了实践范例。

---

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）翻译含句间依赖文本的能力。我们采