百度文档翻译在翻译准确性、排版还原和AI辅助功能方面表现突出，适合学术论文和复杂文档，提升翻译效率。

本研究提出了一种自动化方法，利用深度学习算法识别和解释楔形文字。训练了五种模型，发现其中两种模型在精度和准确率上表现优异，显著提升了对楔形符号的理解和翻译准确性。

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在多语言数字通信中的优势。研究表明，多代理系统通过协作显著提高了翻译的准确性，尤其在法律翻译领域表现优于传统机器翻译，为未来研究提供了基础。

本研究提出SACTOR工具，旨在解决C语言翻译为Rust语言的正确性和惯用性问题。通过静态分析确保语义保留并优化代码，SACTOR在翻译的准确性和惯用性方面显著优于现有方法，最佳模型的正确率达到93%。

本研究提出了一种基于信心奖励的偏好优化方法（CRPO），旨在提升机器翻译的数据质量。结果表明，CRPO在翻译准确性和数据效率方面优于现有方法，具有广泛的应用潜力。

本研究开发了一种机器翻译模型，将英文医学手册翻译为索拉尼库尔德语，以解决库尔德语医学手册的缺乏问题。通过对319份手册的平行语料库进行评估，翻译的准确性和清晰度得到了积极评价。

本研究评估了开放权重语言模型在立陶宛语、拉脱维亚语和爱沙尼亚语的本地化能力。尽管Gemma~2模型表现良好，但许多多语言模型在翻译准确性上仍存在挑战，误差率高达每20个词中有1个错误。

本研究针对中英文翻译中的定语名词问题，通过在Penn中文语篇树库中插入“DE”助词，开发数据集以微调翻译模型，显著提高翻译准确性，具有实际应用价值。

本文提出了一种无监督提示方法，通过高资源语言的合成样本提升低资源语言的多语言总结能力。研究表明，该方法在多种低资源语言上优于有监督提示，尤其在印地语和芬诺-乌戈尔语言中表现突出。实验结果显示，新方法显著提高了低资源语言的翻译准确性和语义理解。

本研究提出了一种多步骤提示链方法，以解决大语言模型在低资源领域翻译稀有词汇的挑战，显著提高了翻译的准确性和鲁棒性。

本研究提出CRAT多代理翻译框架，旨在解决大型语言模型在机器翻译中对上下文依赖词汇的翻译不准确问题。通过因果增强自我反思和检索增强生成技术，显著提升了翻译的准确性和一致性。

本研究提出了一种新的代码切换翻译方法，以提高医疗术语翻译的准确性。尽管流利度有所下降，但医疗专业人士更倾向于这种方法，显示其提升医疗翻译质量的潜力。

这篇文章介绍了ACES对比挑战集，用于评估翻译准确性的度量标准。测试50个度量标准发现，不同标准在不同语言现象上存在困难，基于大型语言模型的方法表现不佳。文章提出了改进机器翻译度量标准的建议。

本文介绍了ACES对比挑战集，用于评估翻译准确性的度量标准。测试了50个度量标准，发现它们在不同的语言现象上存在困难。扩展了ACES以包括错误跨度注释，并评估了基于跨度的错误度量。最后，提供了构建更好的机器翻译度量标准的建议。

提出了一种新颖的自动语言预测字典胶囊 (ALPDC) 框架，用于语言预测和机器翻译。该模型结合神经网络和符号表示来预测输入文本的语言，并使用预构建的字典将其翻译成目标语言。该模型在多个基准数据集上取得了最先进的结果，并显著提高了翻译准确性。