本研究提出了一种新的奖励建模方法，旨在解决深度推理模型在低资源语言翻译中的不足。与大型推理模型相比，该方法在文学翻译中表现出色，并成功扩展至11种语言，实现了90个翻译方向的优异性能。

本研究提出了TransProQA评估框架，旨在改善现有文学翻译评估指标对机械准确性的过度关注。该框架整合了专业翻译人员的见解，从而提升了评估的质量和准确性，显示出在文学翻译评估中的潜在影响。

机器翻译在各领域提升，但文学翻译仍具挑战。本文介绍了基于大型语言模型的多智能体框架TransAgents，模拟传统翻译流程以应对文学翻译。通过单语种人类偏好和双语LLM偏好评估，研究显示，尽管d-BLEU分数较低，TransAgents在特定领域优于人工翻译。文章还讨论了其优势、局限性及未来研究方向。

上下文感知提示方法（CAP）结合多级注意力，使得语言模型能够生成准确、连贯、一致的翻译。CAP在零代词翻译和文学翻译任务中表现出有效性。

WMT 2023举办了首届篇章级文学翻译共享任务，14个团队提交系统，通过自动和人工评估，进行了官方排名，并揭示了文学和篇章意识机器翻译的有趣发现。