弥合语言鸿沟：利用大语言模型进行机器翻译的综述
计算与语言
2026-04-29 v4 人工智能
摘要
大语言模型（LLM）正在迅速重塑机器翻译（MT），特别是将指令遵循、上下文学习和基于偏好的对齐引入传统上受监督的编码器-解码器范式。本综述全面且最新地概述了如何在数据体系、语言和应用设置中利用 LLM 进行 MT。我们系统地分析了基于提示的方法、参数高效和全量微调策略、合成数据生成、基于偏好的优化以及带有人类和弱监督反馈的强化学习。特别关注低资源翻译，我们研究了合成数据质量、多样性和偏好信号的作用，以及当前 RLHF 流程的局限性。我们进一步回顾了专家混合模型、面向 MT 的 LLM 和多语言对齐的最新进展，强调了可扩展性、专业化和可访问性之间的权衡。在句子级翻译之外，我们调查了使用 LLM 的新兴文档级和语篇感知 MT 方法，表明大多数方法通过结构化上下文选择、后期编辑或重排序来扩展句子级流程，而不是需要全新的数据体系或架构。最后，我们讨论了基于 LLM 的评估、其优势和偏见，及其与学习指标一起的作用。总体而言，本综述将基于 LLM 的 MT 定位为传统 MT 系统的演进，其收益日益取决于数据质量、偏好对齐和上下文利用，而不仅仅是规模，并概述了构建稳健、包容和可控翻译系统的开放挑战。
引用
@article{arxiv.2504.01919,
title = {Bridging the Linguistic Divide: A Survey on Leveraging Large Language Models for Machine Translation},
author = {Baban Gain and Dibyanayan Bandyopadhyay and Asif Ekbal and Trilok Nath Singh},
journal= {arXiv preprint arXiv:2504.01919},
year = {2026}
}