神经机器翻译的工作原理：使用React Native和QVAC构建你自己的翻译应用
内容提要
2017年谷歌团队发表论文《Attention Is All You Need》，提出Transformer架构，使机器翻译从逐词处理转向理解上下文，成为ChatGPT等大模型的基础。文章随后介绍QVAC平台，支持在移动设备本地运行翻译模型，无需云端，保护隐私，并展示英译法应用的完整实现代码。
延伸解读
Transformer架构的突破
2017年谷歌团队提出的Transformer架构，通过自注意力机制让模型同时处理整个句子，解决了早期NMT系统长句遗忘的问题。这一架构不仅提升了翻译质量，还成为ChatGPT等大语言模型的基础，推动了整个AI领域的发展。
本地运行的优势
QVAC平台支持在移动设备本地运行翻译模型，无需云端连接，保护用户隐私，避免API费用，并支持离线使用。这对于旅行应用、安全通信工具等场景尤为有利，同时降低了对网络和外部服务的依赖。
模型定向与量化
翻译模型如BERGAMOT_EN_FR是单向的，只能英译法，反向需另下载模型。通过量化技术，模型可压缩至15-35MB，适合移动设备。这种定向设计减少了参数数量，提升了运行效率，但灵活性较低。
Q&A
Transformer架构是在哪篇论文中提出的？
Transformer架构是在2017年6月由8位谷歌研究人员发表的论文《Attention Is All You Need》中提出的。
神经机器翻译（NMT）与传统的基于规则的翻译有何不同？
传统的基于规则的翻译依赖双语词典和语法规则，逐词翻译，结果生硬。而神经机器翻译使用神经网络，通过分析大量人工翻译学习语言模式，能够理解上下文，翻译更自然。
Transformer模型是如何解决早期NMT系统遗忘长句开头的问题的？
Transformer模型通过自注意力机制同时读取整个句子，而不是逐词顺序读取，从而能够捕捉长距离依赖，解决了早期NMT系统在长句上遗忘开头的问题。
QVAC是什么？它有什么特点？
QVAC（QuantumVerse Automatic Computer）是Tether推出的去中心化、本地优先的AI开发平台和SDK。它允许用户在设备上完全本地运行AI模型，无需云端连接，确保数据隐私、安全和完全控制。
QVAC在翻译任务中使用了哪个引擎？它有什么优势？
QVAC在翻译任务中使用Bergamot引擎，该引擎最初为Firefox的离线翻译开发，针对消费级硬件进行了高度优化，能够快速准确地进行神经机器翻译，模型文件小（15-35MB），可在本地CPU上高效运行。
为什么Bergamot的翻译模型是单向的？
Bergamot的翻译模型是单向的，例如BERGAMOT_EN_FR只支持英语到法语。这是因为单向模型只需存储一种语言方向的知识，参数更少，文件更小，运行更快。双向或多语种模型需要存储多种语言方向的知识，导致参数膨胀，文件巨大，需要更多计算资源。
在QVAC中，如何管理翻译模型的加载和卸载？
在QVAC中，使用loadModel函数加载模型，它会自动下载（如果未缓存）并映射到内存；使用unloadModel函数卸载模型，释放RAM。通过getModelInfo检查模型是否已缓存，避免重复下载。卸载时设置clearStorage: false可保留模型文件，下次加载更快。
在本地运行翻译模型有哪些好处？
本地运行翻译模型的好处包括：无需依赖互联网连接，消除API调用成本，确保用户文本数据不离开设备，保护隐私，以及提供离线可用性和可预测的成本结构。
