本研究探讨了文类翻译中的话语层次翻译问题，重点分析了中英、中德和中俄语言对的翻译性能，并通过自动与人工评估相结合，提供了系统性的性能评估，推动了该领域的发展。

本研究提出了ParaAlign Translator方法，以解决大型语言模型在机器翻译中输出质量不稳定的问题。实验结果表明，该方法显著提升了LLaMA-3-8B模型的翻译性能。

本研究比较了开源自回归解码器大型语言模型与任务导向机器翻译模型在医学领域的翻译性能。结果表明，尽管技术有所提升，LLM在专业翻译质量上仍显不足，尤其在资源中等和低资源环境中，专业机器翻译模型提供的翻译质量更高。

本研究探讨了多语言模型中是否存在独立于特定语言的通用概念表征。通过激活修补技术，研究发现可以在不改变语言的情况下更改概念，并且对不同语言的激活平均处理能够提升翻译性能，证实了语言无关的概念表征的存在。

该研究介绍了Speech-LLaMA，一种将声学信息整合到大型语言模型中的新方法，显著提升了语音识别和翻译性能。通过引入适配器和新型Q-Former结构，降低了词错误率，并展示了在多说话者场景中的潜力。此外，研究探讨了多模态模型在自动语音识别中的应用，提升了重评分性能。

本文介绍了多种基于双向神经网络的序列生成模型及其在机器翻译和文本处理中的应用，包括BiBS算法、XLNet、非自回归模型和T-TA文本自编码器等。这些模型在多个任务中表现优异，显著提升了翻译性能和效率。

本文探讨了混合专家（MoE）模型在多语言生成中的应用，提出了多种优化策略以提高模型效率和性能。研究表明，任务级路由的MoE模型在多语言翻译中优于传统模型，并有效减少低资源任务中的过拟合。通过创新架构和技术，MoE模型在保持推理质量的同时显著提升了训练效率和部署效果，为未来语言技术研究提供了重要方向。

本文提出了一种基于句子级检索的最近邻机器翻译框架，旨在提高kNN-MT模型的解码和存储效率，同时保持翻译性能。研究表明，该框架在速度和存储要求上优于传统模型，并能适应不同领域，提升翻译准确性。

该论文提出了一种新型多模态机器翻译方法，结合机器翻译与视觉信息，并发布了 CoMMuTE 数据集，显著提升了翻译性能。研究表明，视觉内容的利用能够改善翻译质量，并探讨了多模态翻译模型在不同数据集上的表现。

本文提出了一种联合语音与语言模型（SLM），通过冻结预训练基础模型，仅训练简单适配器，提升语音识别和翻译性能。SLM展现出强大的零-shot能力，支持多样化任务，训练高效，能够弥合预训练模型间的表征差距。

本文介绍了手语翻译（SLT）方法的研究进展，包括基于规则的转换、视觉-语言预训练模型和混合式SLT方法。这些方法在多个基准数据集上显著提高了翻译性能，尤其是在手语到文本的准确性和BLEU-4分数方面。

本文研究了大型语言模型在多语言机器翻译中的优势与挑战，评估了四种模型在102种语言上的表现。研究发现，低资源语言的翻译能力较弱，尤其是ChatGPT在84.1%的低资源语言中表现不如传统模型。提出的新微调方法ALMA显著提升了翻译性能，并探讨了通过上下文学习和生成式翻译范式改善翻译质量的途径。

本文探讨了多语言机器翻译模型的进展，强调视觉数据在提升翻译性能中的重要性。研究表明，多模式机器翻译系统在视觉上下文中表现优于纯文本系统，未来数据集的构建需更为细致。多模态数据在翻译和图像描述生成中的有效性得到了验证。

本文探讨了多种链式思维提示（CoT）方法在大型语言模型（LLMs）中的应用，特别是GPT-4模型的表现。研究表明，MultiTool-CoT架构和Auto-CoT自动提问方法显著提升了推理能力。此外，CoD方法通过多语言词典提高了翻译性能，强调了有效防御方法的需求。

本文探讨了通过上下文学习提升实时自适应机器翻译质量的方法，结合强编码器-解码器模型和模糊匹配。研究表明，长期一致性是翻译任务表现的重要指标，提出的Zero-Shot-Context方法显著提升了GPT-3的翻译性能。通过优化例句和使用翻译记忆，发现高质量提示能改善翻译结果，并探讨了大型语言模型在上下文学习中的应用。

本文研究了$k$NN-MT的理论和实证研究，发现结合$k$NN-MT和适配器的方法能够在特定情况下实现与微调相当的翻译性能，并在域外测试集上取得更好的性能。同时，优化上下文表示可以弥补$k$NN-MT与微调在低频特定领域词汇召回方面的差距。