STAR：文档到文档机器翻译的句子翻译对齐率

大语言模型 (LLM) 实现了从句子级到文档到文档 (Doc2Doc) 机器翻译的转变，有望提高全局一致性。然而，单次生成文档到文档经常会出现结构错位，表现为句子遗漏或幻觉，违反了源-目标对应的核心要求。为了解决这个问题，我们引入了句子翻译对齐率（STAR），这是一种明确量化句子级结构保真度的辅助指标。在此基础上，我们提出了 STAR-masked Preference Optimization (StarPO)，这是一个根据结构质量对文档级假设进行排名的框架，并利用动态对齐掩模将优化重点放在未对齐的片段上。新闻和文学领域的实验结果表明，StarPO 显着提高了翻译质量和结构完整性。值得注意的是，StarPO 允许紧凑模型超越 GPT-4o 等大规模专有系统的性能，同时保持卓越的词元效率。