本研究提出了一种新方法，通过反向翻译自然语言代码切换句子并微调大语言模型，提升生成能力。结果显示文本流畅性良好，但评估指标与人类判断存在不一致。

本研究提出了一种新框架，通过大型语言模型生成多个翻译候选，并利用反向翻译评估翻译质量。实验结果表明，模型规模与计算量的增加呈规律性，为隐性评估翻译质量提供了新方法。

本研究比较了几种生成合成源句子的方法，发现采样或噪声束搜索的反向翻译效果最佳。同时，将该方法扩展到数亿条单语数据，取得了35 BLEU的最新记录。

本研究提出了一种利用文档级单语数据构建上下文感知翻译系统的方法，通过改进现有方法和提出新的权重技术来提高系统组合的灵活性和降低计算开销。通过评估四个不同的翻译任务，结果显示改进能够显著提高面向文档的评分，并在计算上更高效。然而，在大多数情况下，通过再训练翻译系统进行反向翻译可以获得更好的结果。同时，基于大语言模型的语言模型融合也取得了一定的潜力。