我们介绍了 Charles Translator，这是一种乌克兰和捷克之间的机器翻译系统，旨在缓解俄乌战争对个人和社会的影响。该系统直接翻译而非使用英语作为中介语，利用两种语言的结构相似性，并采用了区块反向翻译方法，从而有效利用单语训练数据。该论文描述了系统的开发过程，包括数据收集和实施，评估等，提到了几种使用案例，并概述了用于教育目的的进一步开发可能性。

Apr, 2024

CUNI-Bergamot 参加 WMT22 普通翻译任务，通过分析 COMET 分数和命名实体翻译准确性，比较传统混合回译训练和 MBR 解码的性能，结果表明两种方法都有效地提高了翻译质量，并且当同时应用时效果更好。

Nov, 2022

本文描述了我们在 WMT17 多模态翻译任务中的提交内容，其中通过使用来自平行语料和回译的方法获取了额外的数据，建立了纯文本神经翻译模型进行多模态翻译，并使用最佳系统将英语字幕翻译为目标语言。我们还展示了一些未能有效提高翻译性能的负面结果。

Jul, 2017

本文讨论了 CUNI Transformer 系统在 WMT19 Robustness Task 中的表现，以及通过在领域内嘈杂数据上进行精细调整，提高模型性能，而不影响新闻领域的翻译质量。

Jun, 2019

我们参加了 WMT 2016 分享的新闻翻译任务，并为四种语言建立了神经翻译系统，每种语言都在英语和其它语言的两个方向上进行训练。使用了基于注意力的编码器 - 解码器、BPE 子词段和自动回译等技术，我们的方法使得我们的结果比基准系统提高了 4.3-11.2 BLEU，人工评估显示我们的系统在 8 个翻译方向中有 7 个是最好的约束系统。

Jun, 2016

本文提出了 Adam Mickiewicz 大学对于 WMT 2022 通用机器翻译任务的限制性跟踪的提交结果，使用基于 transformer 架构的加权集成模型进行双向乌克兰语 <-> 捷克语翻译，使用源因子利用输入的命名实体信息，在训练数据之外使用噪声后向传递技术进行数据增强。使用 noisy back-translation 技术增加训练语料库。模型集成是由 4 个模型加权结合而成，并针对多句翻译使用了文档级模型进行训练，最后使用现有的质量估计模型和最小贝叶斯风险解码将 n-best 列表进行重排序，使得最佳假设能够根据 COMET 评估度量标准被选择。根据自动评估结果，在两个翻译方向上我们的系统排名第一。

Sep, 2022

本文利用最近发表的多种神经序列学习方法，构建用于 WMT 2016 共享任务的自动后期编辑和多模态机器翻译系统。

Jun, 2016

该论文介绍爱丁堡大学参加 WMT17 共享新闻翻译和生物医学翻译任务的情况，使用了采用 Nematus 注意力编码器 - 解码器训练的神经机器翻译系统，并对层归一化、深度结构和不同的集成技术进行了广泛的实验。

Aug, 2017

该论文讲述了开普敦大学提交给 WMT22 大规模机器翻译评估竞赛的受限跟踪的情况。该系统是一个单一的多语种翻译模型，可在英语和 8 种南部 / 东南部非洲语言之间进行翻译，并可在特定的非洲语言对之间进行翻译。该研究采用了多种适用于低资源机器翻译的技术，包括重叠 BPE、回译、合成训练数据生成以及在训练过程中增加更多的翻译方向。结果表明，这些技术的价值尤为突出，特别是对于非常少或没有双语训练数据可用的方向。

Oct, 2022

本文介绍在 WMT19 共享任务中，我们采用 Transformer 模型和 document-level 训练方式，用于英捷克翻译，以提高翻译文件的充分性和连贯性。

Jul, 2019