翻译模型在无人察觉的情况下是否变得更健壮？

神经机器翻译（MT）模型在各种场景下都取得了强劲的成绩，但广泛认为它们对“噪声”输入非常敏感，如拼写错误、缩写和其他格式问题。本文围绕近期多语言 MT 模型和大语言模型（LLM）用于机器翻译的最新进展，重新审视了这一认知。在受控实验中，我们惊讶地发现，这些模型对许多噪声类型都远比以前的模型更健壮，即使在干净数据上性能相似。这一现象尤为值得注意，因为尽管 LLM 具有更多参数和更复杂的训练过程，但我们所考察的开放模型中没有一种使用任何专门旨在鼓励健壮性的技术。随后，我们表明类似的趋势也适用于社交媒体翻译实验——LLM 对社交媒体文本的健壮性更强。我们包括对何时可以使用源纠正技术来缓解噪声影响进行的分析。总体而言，我们表明对许多类型噪声的健壮性已有所提升。