古代韩国档案翻译：基于统计短语对齐、LLM 上下文学习和跨方法论方法的比较分析
内容提要
本文综述了文档级机器翻译的研究，比较了不同方法的表现，发现基于单语文档的回译方法效果显著。同时，提出了古汉语与现代汉语的对齐方法，创建了大规模双语语料库，并探讨了文化知识在机器翻译中的应用，提出了新的数据筛选和提示策略，显著提升了翻译质量。
延伸解读
文档级翻译：简单方法更有效
文章综述指出，基于单语文档的回译方法在文档级评估和人类评估中均能达到与复杂模型相当的效果。这意味着在实际文档级翻译任务中，无需过度设计模型，简单方法可能更具性价比，为后续研究提供了效率导向的参考。
古汉语-现代汉语对齐与大规模语料库
针对古汉语与现代汉语的从句对齐，文章综合词汇与统计信息，构建了包含124万个双语对的大规模语料库，并提供了多种机器翻译模型的性能基准。这一资源为古汉语翻译研究奠定了数据基础，有助于推动该领域的标准化评估。
文化知识与大模型翻译的结合
文章提出将文化知识融入大语言模型机器翻译的新方法，包括数据筛选构建文化相关平行语料和简单有效的提示策略。实验表明，这些方法在翻译文化特定句子时优于传统NMT系统，为处理文化负载词提供了实用思路。
低资源语言翻译的上下文学习与局限
针对低资源语言到高资源语言的翻译，实验显示即使较小模型在提供足够相关语言信息时也能实现零样本翻译。但提示类型、检索方法等因素的不确定效果，突显了当前模型在全球7000多种语言翻译中的局限性。
Q&A
文档级机器翻译的主要研究发现是什么？
基于单语文档的回译方法在文档级评估和人类评估中表现显著，效果与复杂模型相当。
如何创建古汉语与现代汉语的双语语料库？
通过提出一种从句对齐方法，结合词汇和统计信息，创建了包含124万个双语对的大规模语料库。
文化知识在机器翻译中如何应用？
提出新的数据筛选方法和提示策略，以构建具有文化相关性的平行语料库，提升翻译质量。
多标签预测任务在翻译古代中文文本中有什么作用？
该任务帮助解决语言困境和信息缺失，实验证明其在生成高质量翻译输出方面有效。
如何增强大型语言模型的翻译能力？
通过多阶段训练，包括二次预训练和监督微调，显著提高翻译性能。
低资源语言翻译的挑战是什么？
提示类型、模型选择和语言特定因素的不确定性限制了翻译系统的效果。
