本研究探讨了多语言自动后编辑系统在提升低资源印欧语言（如英语-马拉地语和英语-印地语）机器翻译质量方面的潜力。通过生成APE三元组和采用多任务学习框架，结果表明该方法在多个指标上优于单对模型，推动了低资源语言翻译的发展。

本文介绍了一种个性化自动后编辑框架，结合大型语言模型（LLMs）和对比优选优化（CPO）方法，显著提升机器翻译质量。研究表明，通过用户偏好对齐和反馈机制，可以有效减少编辑成本并提高翻译准确性。

自动后编辑（APE）是自动识别和校正机器翻译（MT）输出中的错误的任务。研究者提出了修复-过滤-使用的方法，使用APE系统校正MT训练数据的目标端错误。通过使用过滤后的语料库进行训练，相对于基线模型，英语-马拉地语和马拉地语-英语机器翻译系统性能提升了5.64和9.91个BLEU点。这项工作不受语言特征限制，是语言对不可知的。