Guiding Large Language Models to Post-Edit Machine Translation with Error Annotations

机器翻译（MT）仍然是自然语言处理（NLP）任务中，大型语言模型（LLMs）尚未取代专用监督系统的最后一个任务之一。本研究利用LLMs和监督MT的互补优势，通过使用从多维质量度量（MQM）注释中得出的外部反馈来指导LLMs自动后编辑MT。我们使用LLaMA-2模型，考虑了不同的提示策略，包括提供的反馈类型，并对LLM进行微调，以提高其利用所提供的指导的能力。通过对中英、英德和英俄MQM数据的实验，我们证明提示LLMs后编辑MT可以提高TER、BLEU和COMET分数，尽管细粒度反馈的好处不太清楚。微调有助于更有效地整合细粒度反馈，并根据自动和人工评估进一步提高翻译质量。

本论文旨在通过使用Multidimensional Quality Metric（MQM）注释的外部反馈来指导大型语言模型（LLMs）自动修正机器翻译（MT），以利用LLMs和监督MT的互补优势。论文试图提高MT的翻译质量。

本文的关键思路是通过使用MQM注释的外部反馈来指导LLMs自动修正MT，并通过微调LLM来提高其利用提供的指导的能力。实验结果表明，提示LLMs进行MT的后编辑可以提高TER，BLEU和COMET得分，而微调可以更有效地整合细粒度反馈并进一步提高翻译质量。

本论文的亮点在于使用了LLMs和监督MT的互补优势来提高机器翻译的质量。实验结果表明，使用外部反馈来指导LLMs自动修正MT可以提高翻译质量。论文还使用了中英文、英德文和英俄文的MQM数据进行实验，并进行了自动和人工评估。

最近的相关研究包括使用LLMs进行机器翻译的研究，以及使用其他方法进行MT后编辑的研究。