在低资源场景下，语言相关的语言是否能指导LLM翻译？

大语言模型(LLMs)在许多下游任务上已取得强劲性能，但其在极端低资源机器翻译中的效果仍有限。标准的适应技术通常依赖大规模平行数据或大量微调，在面对数据稀缺的长尾语言时不可行。本文探讨了更受限制的问题：在数据稀缺的情境下，语言上相似的枢纽语言和少量零样例示例能否为LLM的现场适应提供有用的指导？我们研究了一种数据高效的实验设置，将语言上相关的枢纽语言与少量零样例示例相结合，不进行参数更新，评估受控条件下的翻译行为。我们的分析表明，虽然枢纽式提示可以产生一定提升，尤其是在目标语言在模型词汇表中代表度较低的情境下，但所获收益往往有限且对零样例示例构建敏感。在语言上密切相关或更好代表的变体中，我们观察到收益递减或不一致。我们的发现为如何和何时使用推理时提示和枢纽式示例作为微调的轻量级替代方案提供了经验性指导。