测试时扩展如何改进 LLM 机器翻译
来自 arXiv · 期号 2026-08-29
摘要
机器翻译的测试时扩展有两种范式：顺序采样（后一次依赖前一次）和平行采样（独立采样后重排序）。 研究发现，顺序采样的性能上限更高，在小采样预算下能产生更多样、更有效的候选译文。人工分析表明，顺序采样显著提升了译文的流畅度和自然度，但在推理预算过大时反而会降低准确性。 作者将顺序采样的成功部分归因于模型能访问更大的目标端上下文。消融实验显示该方法对不同采样温度鲁棒，但对上下文构造方式敏感。
来自 arXiv · 期号 2026-08-29
机器翻译的测试时扩展有两种范式：顺序采样（后一次依赖前一次）和平行采样（独立采样后重排序）。 研究发现，顺序采样的性能上限更高，在小采样预算下能产生更多样、更有效的候选译文。人工分析表明，顺序采样显著提升了译文的流畅度和自然度，但在推理预算过大时反而会降低准确性。 作者将顺序采样的成功部分归因于模型能访问更大的目标端上下文。消融实验显示该方法对不同采样温度鲁棒，但对上下文构造方式敏感。
本站只做摘要与索引，全部内容版权归原作者所有。