上下文量驱动性能：通过检索增强生成应对极低资源翻译中的领域偏移
计算与语言
2026-02-17 v2 人工智能
摘要
低资源语言的神经机器翻译（Neural Machine Translation, NMT）模型在领域偏移下性能显著下降。我们使用Dhao语（一种印度尼西亚东部的土著语言，除《新约》外无数字足迹）来量化这一挑战。当应用于未见过的《旧约》时，在《新约》上微调的标准NMT模型，其域内得分从36.17 chrF++降至27.11 chrF++。为了弥补这一损失，我们引入了一个混合框架：由微调的NMT模型生成初始草稿，然后由大语言模型（Large Language Model, LLM）利用检索增强生成（Retrieval-Augmented Generation, RAG）进行精炼。最终系统达到了35.21 chrF++（+8.10的恢复），有效匹配了原始域内质量。我们的分析表明，这种性能主要由检索到的示例数量驱动，而非检索算法的选择。定性分析证实，大语言模型充当了一个强大的“安全网”，修复了零样本领域中的严重失败。
引用
@article{arxiv.2601.09982,
title = {Context Volume Drives Performance: Tackling Domain Shift in Extremely Low-Resource Translation via RAG},
author = {David Samuel Setiawan and Raphaël Merx and Jey Han Lau},
journal= {arXiv preprint arXiv:2601.09982},
year = {2026}
}