摘要由 AI 生成
针对上下文感知机器翻译中信号效益不均问题，研究人员提出跨偏好学习（CPL）框架。该框架将句内与句间偏好整合至优化目标，实现对信息性语境的显式利用及对非信息性语境的鲁棒性保持。实验在多个公开任务上进行，测试模型涵盖 Qwen3-4B、Qwen3-8B 和 Llama-3-8B-Instruct。结果表明，在不进行任何架构修改的情况下，CPL 框架在两种输入条件下均实现了翻译质量与鲁棒性的持续改进。
关键实体KEY ENTITIES
Llama-3-8B-InstructQwen3-4BQwen3-8B
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- Qwen3-4B1
- Qwen3-8B1
- Llama-3-8B-Instruct1
全部报道（1）SOURCES
↗
本文提出跨偏好学习（CPL）框架，旨在解决上下文感知机器翻译中信号效益不均的问题。该方法将句内与句间偏好整合至优化目标，实现对信息性语境的显式利用及对非信息性语境的鲁棒性保持。研究在多个公开任务上验证了该框架，测试模型包括 Qwen3-4B、Qwen3-8B 和 Llama-3-8B-Instruct。实验结果表明，在不进行任何架构修改的情况下，CPL 在两种输入条件下均实现了翻译质量与鲁棒性的持续改进。