LLMs Are Zero-Shot Context-Aware Simultaneous Translators

随着transformers的出现，机器翻译取得了进展。最近，由于其广泛性和在各种语言任务中的强大表现，大型语言模型(LLMs)受到了关注，其中包括翻译。在这里，我们展示了开源LLMs在零样本情况下与一些最先进的基线模型在同时机器翻译(SiMT)任务中表现相当甚至更好。我们还证明，注入最小的背景信息，这在LLM中很容易实现，带来了进一步的性能提升，尤其是在具有挑战性的技术主题上。这凸显了LLMs为构建下一代大规模多语言、上下文感知和术语准确的SiMT系统的潜力，这些系统不需要资源密集型的训练或微调。

论文旨在研究开源大型语言模型在同声传译任务中的表现，并探讨注入背景信息对性能的影响。

通过实验发现，开源大型语言模型在同声传译任务中的表现不亚于一些最新的基准模型，并且注入背景信息可以进一步提高性能，尤其是在技术性主题方面。

实验设计了零-shot情况下的同声传译任务，并使用了多种数据集。开源代码和实验数据也已经公开。该研究表明，大型语言模型有潜力成为下一代多语言、上下文感知和术语准确的同声传译系统。

最近的相关研究包括使用Transformer模型的机器翻译和同声传译，如《Attention Is All You Need》和《Simultaneous Translation with Visual Context》。