CRAT：一种面向大语言模型的因果增强反思与检索增强翻译的多智能体框架
计算与语言
2024-10-29 v1
摘要
大语言模型（LLM）在机器翻译中展现出巨大潜力，但它们仍然难以处理上下文相关的术语，例如新词或特定领域词汇。这导致了难以解决的不一致性和错误。现有解决方案通常依赖于人工识别这些术语，鉴于语言的复杂性和不断演变的特性，这并不实用。虽然检索增强生成（RAG）可以提供一些帮助，但其在翻译中的应用受到信息过载导致的幻觉等问题的限制。在本文中，我们提出了 CRAT，一种新颖的多智能体翻译框架，利用 RAG 和因果增强的自我反思来解决这些挑战。该框架由几个专门的智能体组成：未知术语识别智能体检测上下文中的未知术语，知识图谱（KG）构建器智能体提取关于这些术语的相关内部知识并从外部源检索双语信息，因果增强的评判智能体验证信息的准确性，翻译智能体将精炼后的信息整合到最终输出中。这种自动化过程允许在翻译过程中更精确、更一致地处理关键术语。我们的结果表明，CRAT 显著提高了翻译准确性，特别是在处理上下文敏感术语和新兴词汇方面。
引用
@article{arxiv.2410.21067,
title = {CRAT: A Multi-Agent Framework for Causality-Enhanced Reflective and Retrieval-Augmented Translation with Large Language Models},
author = {Meiqi Chen and Fandong Meng and Yingxue Zhang and Yan Zhang and Jie Zhou},
journal= {arXiv preprint arXiv:2410.21067},
year = {2024}
}