本文探讨了上下文信息在机器翻译和对话系统中的重要性。研究表明，结合上下文与神经学习度量可以提高翻译质量评估的相关性，并提出了一种新的评估方法Context-MQM。此外，开发的对话扩充模型在生成高质量对话方面表现优异，提升了对话成功率，强调了上下文在文本分类和对话生成中的关键作用。

该文介绍了基于GPT的翻译质量评估指标GEMBA，可用于有参照和无参照情况。研究了四个提示变体，并比较了两种方式下的性能表现，发现只能应用于GPT 3.5及以上的模型。在WMT22的Leaderboard中，GEMBA在三种语言对中表现出先进的性能。