评估了本地大语言模型在不同提示下的机器翻译效果

一篇新的arXiv论文探讨了提示设计和示范选择如何影响本地大语言模型（LLMs）的机器翻译能力。该研究评估了Llama3.2 3B、mistral:latest和Qwen2.5:14b等模型在英语和九种欧盟语言之间的翻译能力，并与OPUS-MT和NLLB-200等专业机器翻译系统进行了比较。研究结果表明，虽然专用机器翻译系统通常表现更好，但少样本提示可以使一些LLMs受益，并且嵌入相似性检索用于示范可以带来适度的优势。研究还强调了在LLMs的多语言翻译任务中，家族范围提示的可行性和局限性。 AI

影响 这项研究通过改进提示工程和数据选择策略，为优化LLMs在翻译任务中的性能提供了见解。

排序理由 该集群包含一篇详细介绍研究结果的大语言模型能力的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• arXiv
• European Union
• Flores+
• JSON
• Llama3.2 3B
• mistral:latest
• NLLB-200
• OPUS-MT
• Qwen2.5:14b

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →