机器翻译中的性别消歧：仅解码器架构的诊断性评估
计算与语言
2026-03-19 v1
摘要
尽管大语言模型（LLM）在广泛自然语言处理（NLP）任务上取得了最先进（SOTA）结果，但它们仍然容易产生系统性偏差。其中，性别偏差在机器翻译（MT）中尤为突出，因为不同语言在是否以及如何标记性别方面存在系统性差异。因此，翻译通常需要将隐含的源语言信号消歧为显式的性别标记形式。在这一背景下，标准基准可能捕捉到广泛的差异，但未能反映现代MT中性别偏差的全部复杂性。本文通过以下方式扩展了近期偏差评估框架：(i) 引入一种新度量「先验偏见（Prior Bias）」，捕捉模型的默认性别假设；(ii) 将该框架应用于仅解码器MT模型。结果表明，尽管规模庞大且处于SOTA水平，仅解码器模型在性别相关指标上通常并不优于编码器-解码器架构；然而，后训练（如指令微调）不仅提升了上下文感知能力，还降低了男性化先验偏见。
引用
@article{arxiv.2603.17952,
title = {Gender Disambiguation in Machine Translation: Diagnostic Evaluation in Decoder-Only Architectures},
author = {Chiara Manna and Hosein Mohebbi and Afra Alishahi and Frédéric Blain and Eva Vanmassenhove},
journal= {arXiv preprint arXiv:2603.17952},
year = {2026}
}