本研究提出FuxiMT模型，旨在提升低资源环境下的多语种机器翻译性能。该模型在大型中文语料库上预训练，并在65种语言的平行数据集上进行微调，显示出优越的翻译能力，尤其在平行数据稀缺时表现突出。

本研究针对传统的检索增强神经机器翻译系统在利用双语语料时存在的局限，探讨了如何通过直接在目标语言中检索相关片段，来有效利用可用的单语目标语料。研究表明，通过改进的跨语言检索系统，采用句子级和词级匹配目标，显著提升了翻译性能，尤其是在目标单语资源远超平行数据的真实场景中。

本研究探讨大型语言模型（LLMs）的幻觉现象，评估其在重述和翻译任务中的幻觉检测能力。结果表明，不同任务和语言下模型表现存在差异，但在特定提示下表现一致，自然语言推理模型的检测能力尤为突出，表明LLM检测方法并非唯一选择。

本研究针对多模态机器翻译（MMT）中预训练编码器和解码器的有效性进行了系统分析。研究发现，预训练解码器在翻译质量上显著优于未预训练框架，而预训练编码器的效果则取决于视觉与文本的对齐质量，这为未来多模态翻译系统的架构设计提供了指导。

本研究提出了一种针对文档图像机器翻译复杂布局问题的技术解决方案，结合多任务学习与感知链思维，构建了高效的端到端翻译系统，显著提升了OCR和非OCR文档的翻译效果。

本研究比较了大型语言模型（LLMs）与传统机器翻译（MT）工具在医疗咨询总结翻译中的表现。结果表明，传统MT在复杂文本翻译中更具优势，而LLMs在简单总结的越南语和中文翻译中显示出潜力。研究强调医疗翻译需要领域特定的训练和人工监督。

本研究探讨大型语言模型在翻译任务中对包容性语言的处理，特别是非二元性别偏见。通过FairTranslate数据集，揭示主流语言模型在性别代表性方面的偏差，强调需采取策略以确保翻译系统的公平与包容性。

本研究探讨了人工智能代理在机器翻译中的应用，特别是单一与多代理系统对多语言沟通的提升。结果显示，多代理系统在翻译准确性上显著优于传统机器翻译，尤其在法律翻译领域，为未来研究提供了基础。

本研究针对多语言大型语言模型（mLLMs）生成能力评估的不足，提出可操作的建议，借鉴机器翻译领域的最佳实践，以提高评估的质量和可靠性，推动mLLMs的研究与发展。

本研究解决了大型语言模型在文档级翻译中面临的长程依赖和话语现象建模挑战。通过针对高质量文档级数据的精细调优，我们提出了一种新方法，称为DocBlocks，能支持多种翻译范式，显著提升了文档级翻译的质量和推理速度，展示了其潜在的应用价值。