本文提出了一种新颖的语言无关方法，通过利用资源丰富的语言与资源贫乏的语言的相似性来改善后者的机器翻译，以达到减少训练数据的目的，并且评估结果表明，在少量并行语料库的情况下，改进了印尼语到英语和西班牙语到英语的翻译质量。

Jan, 2014

本文研究通过引入更多本地依赖关系和使用单词对齐来学习翻译过程中的句子重新排序，在低资源语言中使用神经机器翻译(NMT)模型，产生仅使用7万个训练数据令人满意的翻译结果。

Aug, 2017

介绍了用于低资源语言机器翻译的神经模型的挑战、概念和技术，最后讨论了NLP社区对这些语言的兴趣所带来的最新进展和发现。

Jun, 2023

通过开发 adaptMLLM，我们针对机器翻译开发了一个开放源代码应用程序，旨在解决多语言语言模型在低资源语言中开发高质量机器翻译输出方面的问题，并提供易于定制的界面以及各种模型评估指标和在应用程序中直接部署模型作为翻译服务的能力。

Mar, 2024

本文旨在探索使用大型语言模型（LLMs）将英文翻译成蒙巴依语，一种在东帝汶使用的语言，本研究使用少量数据对LLM进行指导，以提高低资源语言的机器翻译质量。

Apr, 2024

Anthropic在2024年3月发布的大型语言模型Claude 3 Opus在机器翻译方面表现出比其他语言模型更强的能力。虽然我们发现Claude在FLORES-200上存在数据污染的证据，但我们整理了新的基准数据，证实了Claude在对英语进行低资源机器翻译方面的有效性。我们发现Claude具有显著的资源效率-翻译模型的质量程度取决于语言对的资源水平。最后，我们展示了LLM翻译的进展可以被压缩到传统的神经机器翻译(NMT)模型中。通过使用Claude生成合成数据，我们证明了知识蒸馏在约鲁巴语-英语翻译方面推进了最新技术，达到或超过了NLLB-54B和Google翻译等强基线。

Apr, 2024

大型语言模型在同时机器翻译任务中表现出与某些最先进基准系统相当或更好的性能，并且注入最少的背景信息（容易实现）可以进一步提高性能，尤其是在具有挑战性的技术主题上。这凸显了大型语言模型构建下一代大规模多语言、上下文感知和术语准确的同时翻译系统的潜力，而无需资源密集型的训练或微调。

Jun, 2024

本研究通过一系列实验翻译南安第斯克丘亚语为西班牙语，探究预训练大型语言模型在自动化机器翻译中从低资源语言到高资源语言的上下文学习能力。实验结果表明，即使是相对较小的语言模型，在提供了足够相关语言信息的情况下，能够通过提示上下文实现零样本低资源翻译。然而，提示类型、检索方法、模型类型和语言特定因素的不确定效果突显了即使是最佳的语言模型也存在于世界上7000多种语言及其使用者的翻译系统中的限制。

Jun, 2024

通过大型语言模型，本文提出了改进极低资源的土著语翻译的技术，采用了有限数量的平行翻译示例的数据存储，GPT-3.5等LLMs的内在能力以及词级翻译词典。我们利用LLMs和上下文学习技术作为极低资源语言的通用翻译器，基于LLMs的语言编译器假设它们可以内化语法结构以实现准确翻译。我们介绍了三种技术：带检索上下文的KNNPrompting、思维链式提示和来自错误的学习，其中最后一种方法解决了过往错误。评估结果表明，即使有限的文集，当与适当的提示搭配时，LLMs可以有效地翻译极低资源语言。

Jul, 2024

本研究针对机器翻译中技术术语（尤其是缩写）翻译缺失的问题，提出了在源语言（SL）到目标语言（TL）的翻译流程中加入新的步骤，通过共享新缩写语料库并实验搜索阈值算法来改善翻译效果。研究发现，该方法比谷歌翻译和OpusMT提高了近10%的准确率，显示出对提升机器翻译质量的潜在影响。

Sep, 2024