本研究探讨了多源输入策略对机器翻译质量的影响，发现通过中介语言翻译可以显著提高英中翻葡萄牙语的质量，尤其在特定领域和语言距离较大时。选择合适的情境语言能有效改善翻译效果。

本研究解决了神经机器翻译（NMT）中编码器-解码器架构关注不足的问题。通过将大型语言模型（LLMs）应用于NMT编码并优化其与解码器的兼容性，提出了一种新的翻译模型。这项工作的重要发现是，所提方法在翻译质量上达到了或超过了多个基准，同时实现了高达$2.4 \sim 6.5$倍的推理速度提升和$75\%$的内存占用减少。

本研究解决了在低资源环境下机器翻译中翻译准确性的问题，提出了一种新的基于大型语言模型的组合翻译方法。该方法通过将句子分解为简化短语，并用相似的示例进行翻译，显著提高了翻译性能，特别是在翻译资源有限的情况下。研究结果显示，组合翻译在多个MT基准测试中有效提升了LLM翻译性能。

本文介绍了2014年提出的神经机器翻译中的注意力机制，该机制通过联合学习对齐和翻译，使模型在生成每个目标词时动态选择相关源词信息，从而克服传统固定长度向量的局限性，提升长句翻译性能。

本研究针对全球软件开发中的错误报告翻译问题，首次全面评估了机器翻译系统在该领域的表现，比较了DeepL、AWS Translate和ChatGPT的翻译效果。研究发现DeepL在多项自动化评估指标上表现优越，强调了特定领域翻译的重要性，为后续改进机器翻译在工程领域的应用提供了基础。

本研究提出了一种新方法，将人机协作后编辑与大型语言模型结合，显著提升机器翻译语料库的生成效率和质量，减轻人类注释员的负担。

本研究探讨了低资源机器翻译中的资源利用，发现高质量字典和平行示例对翻译效果至关重要，而语法书的帮助有限。提出的基于上下文的平行数据增强方法为解决数据稀缺问题提供了新思路。

该研究提出了一种基于枢轴翻译的单模型集成方法，旨在解决低资源语言对的神经机器翻译问题。通过知识转移，该方法生成多样且准确的翻译候选，显著提高了翻译质量。

本研究解决了在训练数据不足的情况下，神经网络在机器翻译中的表现不佳的问题。通过利用多语言预训练语言模型（mBART）和越南语、汉语的单语语料库，提出了一种有效的机器翻译方法，最终显示出与变换模型相比，性能提升了8%。

本研究解决了数据污染对语言模型评估基准有效性所造成的影响。通过系统地分析在不同阶段和规模下的数据污染对机器翻译任务性能指标的影响，发现数据污染导致的BLEU分数膨胀在8B模型中比1B模型高出2.5倍（最多可达30个BLEU点）。这一发现为评估语言模型的可靠性提供了重要的见解。