我们介绍了一个在线学习神经机器翻译的系统，并将其与专业翻译人员最常用的 SDL Trados Studio 用户界面集成，以节省机器不断学习和适应特定领域或用户风格的人类选择所需的时间和努力。

Jun, 2019

IMTLab 是一个开源的端到端的交互式机器翻译系统平台，它使研究人员能够快速构建具有最先进模型的交互式机器翻译系统，进行端到端评估，并诊断系统的不足之处。

Oct, 2023

提出了一种交互式机器翻译方法 CAMIT，通过接受修正指令，允许人类纠正模型翻译句子中的任意单词，并基于上下文学习和记忆修正操作，从而有效地改进了机器翻译结果。实验表明，CAMIT 方法显著提高了机器翻译效果，并且相对于以前的方法需要更少的人工修订指令。

Jul, 2019

本文旨在研究如何利用视觉信息来弥补缺失的源文本背景，评估不同的多模态方法和视觉特征对最先进的同时机器翻译 (SiMT) 框架的影响。结果表明，视觉背景是有帮助的，基于明确的物体区域信息的可视化模型优于常用的全局特征，在低延迟情境下的表现可提高 3 个 BLEU 分数。我们的定性分析展示，只有多模态系统才能正常翻译英语到标记性别的语言，并处理英语和法语之间的形容词和名词词序等差异。

Sep, 2020

本文介绍了一种基于智能模型的交互式翻译界面 IntelliCAT，该界面利用两个不同粒度的质量估计模型来实现机器翻译的后编辑过程，进一步提出了一种新的翻译建议模型，能够根据上下文条件性地提供特定单词或短语的替代方案，最终可以自动地保留原始文档的样式。实验结果表明，基于所提出的质量估计和翻译建议的后编辑可以显著提高翻译质量。此外，用户研究表明，IntelliCAT 提供的三个特性显著加速了后编辑任务，相对于从头开始翻译，速度提升了 52.9％。

May, 2021

本论文提出了一种基于神经机器翻译的实时翻译框架，通过代理决策来实现翻译输出实时化并且具有可控的翻译质量与延迟，通过在两种语言对上的实验结果表明了该方法在定量与定性方面的有效性。

Oct, 2016

这篇论文提出了一种基于 LlM 的对话式 SimulMT 框架，通过多轮对话解码提高 LLM 的推理效率，在两个 SimulMT 基准测试中展示了 LLM 在翻译质量上的优越性以及与专用 SimulMT 模型相当的计算延迟。

Feb, 2024

同时机器翻译（SiMT）通过阅读源语句来生成目标翻译，在确定最佳时机阅读句子和生成翻译的策略方面，现有的 SiMT 方法通常采用传统的 Transformer 架构，虽然它们擅长确定策略，但其翻译性能却不够优化。相反，基于丰富语料库训练的大型语言模型（LLMs）具有卓越的生成能力，但它们很难通过 SiMT 的训练方法获得翻译策略。因此，我们引入 Agent-SiMT，这是一个将 LLMs 和传统 SiMT 方法的优势结合起来的框架。Agent-SiMT 包含策略决策代理和翻译代理。策略决策代理由一个 SiMT 模型管理，使用部分源语句和翻译来确定翻译策略。而翻译代理则利用 LLM 基于部分源语句生成翻译。这两个代理共同合作完成 SiMT。实验证明，Agent-SiMT 达到了最先进的性能。

Jun, 2024

该研究拓展了现有的同声翻译系统，提出一种基于流历史的流机器翻译方法，取得了较大的质量提升，并且表现优于现有同类最佳系统。

Mar, 2022

基于在线学习的机器翻译自动化指标优化方法，通过对多个语言对进行评估，快速收敛于表现最佳的前三个系统。

May, 2021