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。

本研究提出了CycleSQL框架，通过自我评估和数据驱动的自然语言解释，优化自然语言到SQL的翻译。实验结果表明，CycleSQL显著提高了翻译的准确性和结果的可理解性。

本研究提出CRAT多代理翻译框架，旨在提高大型语言模型在机器翻译中对上下文依赖词汇的翻译准确性。通过因果增强的自我反思和检索技术，CRAT在处理复杂上下文的新术语时表现出色。

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。

本研究提出了括号术语翻译（PTT）任务，以提高技术术语的翻译准确性。通过生成PTT数据集并优化神经机器翻译模型，研究发现细调方法在目标语言模型中的表现优于少量示例提示，为术语翻译提供了新见解。

该研究提出了多种手语翻译方法，包括基于规则的启发式方法和无手语互译模型，显著提高了手语到文本翻译的准确性。通过引入对比学习策略和大型语言模型，研究在多个数据集上取得了最新成果，提升了翻译性能，解决了手语翻译中的表示密度问题。

本研究聚焦于突尼斯方言的语音识别，采用自监督和少样本学习方法，提升了模型在阿拉伯语、英语和法语混合语音识别中的表现，并通过人工评估确保翻译准确性，同时提供训练数据供公众使用。