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表现出色，大型语言模型（LLMs）成为关注的焦点，包括翻译。在这里，我们展示了开源LLMs在零样本情况下与某些最先进的基线相当或更好地执行同时机器翻译（SiMT）任务。我们还展示了注入最少的背景信息（这在LLM中很容易）带来了进一步的性能提升，特别是在具有挑战性的技术主题上。这突显了LLMs在构建下一代大规模多语言、上下文感知和术语准确的SiMT系统方面的潜力，这些系统不需要资源密集的训练或微调。

本文旨在展示开源大型语言模型（LLMs）在零样本情况下在同时机器翻译（SiMT）任务中的表现，并证明LLMs注入最小背景信息可以进一步提高性能。该论文试图解决如何构建下一代大规模多语言、上下文感知和术语准确的SiMT系统的问题。

本文的关键思路是使用开源大型语言模型（LLMs）在零样本情况下进行同时机器翻译（SiMT），并注入最小背景信息以提高性能。相比当前领域的研究状况，该论文的思路在使用LLMs进行SiMT方面具有新意。

本文展示了开源LLMs在零样本情况下在同时机器翻译（SiMT）任务中的表现优于一些最先进的基线模型，并且注入最小背景信息可以进一步提高性能，尤其是在技术主题方面。实验使用了公开的数据集，并且开源了代码。该研究表明LLMs在构建下一代大规模多语言、上下文感知和术语准确的SiMT系统方面具有巨大潜力。

在这个领域中，最近的相关研究包括《Attention is All You Need》、《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》、《Unsupervised Machine Translation Using Monolingual Corpora Only》等。