SalamandraTA 在 WMT 2026 术语共享任务：困难的例子是更好的老师

术语感知翻译要求的不仅仅是正确的翻译：输出必须使用术语表规定的确切术语。标准配方 微调 在术语表注释的翻译对上，隐藏了低效率：对于大多数示例，术语表准确地规定了模型无论如何都会生成的内容，因此它们没有教授有关遵循术语表的任何内容。因此，我们只保留模型本身的翻译与术语表相矛盾的示例。在固定数据量的对照研究中，仅此选择就将术语准确性从 78.7% 提高到 89.9%。过滤后的数据由开放模型上的双向合成管道构建，是我们公开发布的 SalamandraTA-7b-instruct v3.0 的指令调整混合物的一部分，该混合物完全按照发布的方式使用并包装在文档级推理管道中，形成向 WMT26 术语共享任务轨道 1 提交的 BSC。在官方 WMT26 评估中，我们的系统在 74.6 chrF++ 上实现了 94.2% 的术语成功率，其中二十二份提交的材料中只有两份在这两个指标上都优于它。根据去年的基准，它也超越了我们基于 GRPO 的系统，尽管仅使用普通监督 微调 进行训练。