论文
迈向可靠的机器翻译:扩展 LLM 以实现关键错误检测和安全
Towards Reliable Machine Translation: Scaling LLMs for Critical Error Detection and Safety
摘要
机器翻译(MT)在跨语言信息获取、公共政策沟通和公平知识传播方面发挥着关键作用。然而,严重的意义错误,例如事实扭曲、意图逆转或有偏见的翻译,可能会破坏多语言系统的可靠性、公平性和安全性。在这项工作中,我们探索了指令调整的 大语言模型 (LLM) 检测此类关键错误的能力,使用可公开访问的数据集评估一系列参数的模型。我们的研究结果表明,模型缩放和适应策略(零样本、少样本、微调)产生了持续的改进,优于仅编码器的基线,例如 XLM-R 和 ModernBERT。我们认为,改进机器翻译中的关键错误检测有助于降低虚假信息、沟通不畅和语言伤害的风险,特别是在高风险或代表性不足的环境中,从而有助于建立更安全、更值得信赖和对社会负责的信息系统。这项工作不仅将错误检测视为一项技术挑战,而且将其视为追求公正和负责任的多语言人工智能的必要保障。该代码将在 GitHub 上提供。