本研究探讨了神经机器翻译（NMT）面临的六个核心挑战，特别是在大型语言模型（LLMs）背景下的相关性。尽管LLMs在长句翻译和减少平行数据依赖方面表现优异，但领域不匹配和罕见词预测仍然是主要挑战。研究提出了对比优选优化（CPO）方法以提升性能，并探讨了对齐方法的改进，从而显著提高了翻译质量。

神经机器翻译（NMT）面临领域不匹配、平行数据量、罕见词预测、长句翻译、注意力模型和次优束搜索等六个核心挑战。研究发现，高级大型语言模型（LLMs）在预训练阶段减少对平行数据的依赖，提高了长句翻译和文档长度。然而，领域不匹配和罕见词预测仍然是挑战。此外，LLMs在翻译任务中面临推理效率、低资源语言翻译和人对齐评估等新挑战。

研究者提出了自监督自适应预训练（SAPT）来解决预训练语音模型领域不匹配的问题。实验证明，SAPT在FLEURS基准测试中提高了XLSR的性能，尤其是对于少数语言，增益高达40.1%。同时，在少样本学习设置中应用SAPT也提高了XLSR的样本效率。通过自监督实现持续自适应可以提升多语言语音模型的下游性能。