本研究探讨了神经机器翻译（NMT）面临的六个核心挑战，特别是在大型语言模型（LLMs）背景下的相关性。尽管LLMs在长句翻译和减少平行数据依赖方面表现优异，但领域不匹配和罕见词预测仍然是主要挑战。研究提出了对比优选优化（CPO）方法以提升性能，并探讨了对齐方法的改进，从而显著提高了翻译质量。

本文探讨了大型语言模型（LLMs）在化学领域的应用，提出了上下文分子适应（ICMA）和对比优选优化（CPO）等新方法，提升了分子字幕翻译和其他化学任务的性能。研究介绍了ChemLLM模型及其在化学文献处理中的潜力，强调了整合化学知识和模型可解释性的重要性。