WMT26
PulseAugur coverage of WMT26 — every cluster mentioning WMT26 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
墨尔本大学致力于低资源太平洋克里奥尔语翻译
墨尔本大学的研究人员开发了一种太平洋克里奥尔语（包括 Tok Pisin、Bislama 和 Solomon Pijin）的机器翻译系统。他们的方法包括在一个大型、领域不平衡的数据集上进行预训练，然后用领域平衡的混合数据进行微调。他们利用了大型语言模型（LLM）辅助的拼写纠正、回译和来自 Gemini 的蒸馏等技术，以提高在不同领域的性能。在 Bouquet 和新的口语转录文本测试集上，这些模型的 chrF++ 分数比开放基线高出 3 分以上。
-
新方法为机器翻译评估创建伪参考
研究人员开发了一种新颖的方法来为机器翻译评估创建伪参考，特别是对于缺乏人工生成参考的语言对。该方法使用多个机器翻译模型和质量估算模型来选择最佳翻译，并由GPT-5.5对选定的输出进行后编辑。该系统包含一个对流畅但错误的语言识别的惩罚机制，该机制成功消除了错误语言的输出，并与基线方法相比提高了选择分数。
-
ESTS在WMT26上使用GPT-OSS-20B和GPT-5.1进行模型压缩的细节
ESTS的研究人员详细介绍了他们提交给WMT26模型压缩共享任务的工作，重点关注英译简中和英译埃及阿拉伯语的翻译。他们的方法包括根据特定任务的路由质量和跨语言路由发散度从GPT-OSS-20B中剪枝专家，然后使用GPT-5.1生成的合成数据对剩余的专家进行微调。通过对保留的专家权重使用MXFP4量化实现进一步压缩，模型参数量在4.186B到7.770B之间。
-
Cohere 发布 218B MoE 翻译模型，North Small Translate
Cohere 悄然发布了 North Small Translate，这是一款拥有 2180 亿参数的混合专家（MoE）模型，专为机器翻译而设计。该稀疏模型每个 token 有 250 亿活跃参数，支持 50 种语言，并为翻译质量树立了新标杆，在 WMT26 上取得了 83.60 的分数。该模型的权重可在 Hugging Face 上用于研究和非商业用途，而生产部署则通过 Cohere 的 Model Vault 进行。此次发布标志着…
-
AI模型通过关注难懂的术语来提高翻译准确性
研究人员开发了一种新颖的术语感知机器翻译方法，重点关注模型输出与规定术语表不同的“难例”。通过仅过滤包含这些挑战性案例的训练数据，他们在固定数据量下将术语准确性从78.7%显著提高到89.9%。该方法被整合到他们的SalamandraTA-7b-instruct v3.0模型中，该模型在WMT26术语共享任务Track 1上取得了94.2%的术语成功率，优于大多数其他提交。
-
佛罗里达大学鳄鱼队使用检索增强翻译技术处理低资源语言
佛罗里达大学鳄鱼队的研究人员开发了一种针对低资源机器翻译的新方法，专门针对东北印度语言。他们的系统提交给了WMT26共享任务，采用了检索增强的少样本翻译流程。在推理时，Gemini 2.5 Flash模型通过利用从特定语言训练库中通过BM25检索到的并行示例进行条件化来翻译输入文本，而无需进行模型微调。