请再翻译：人类式推理对机器翻译的影响研究
计算与语言
2025-09-24 v2
摘要
大型语言模型（LLMs）在许多任务中展现出强大的推理能力，常通过显式分解任务的方式实现，这通过链式思维（CoT）推理。最近的工作针对LLM-based翻译设计了手工提示以分解翻译，或训练模型以纳入中间步骤。将步骤化翻译（Translating Step-by-step，Briakou等人，2024）例如，引入了带有分解和细化翻译的多步骤提示，对WMT24测试数据的取得了状态最佳结果。在本工作中，我们审查了这一策略的有效性。实证上，我们发现性能提升并不明显主要归因于通过CoT显式分解翻译过程，至少对于测试中的模型而言；我们还展示了引导LLMs“再翻译”并自我细化的提示方法，甚至比人类式的步骤化提示取得更好的结果。虽然分解影响翻译行为，但对分解的忠实度在翻译中既有积极也有消极影响。我们的分析因此表明，人类和LLMs的最优翻译策略之间存在差异。
引用
@article{arxiv.2506.04521,
title = {Please Translate Again: Two Simple Experiments on Whether Human-Like Reasoning Helps Translation},
author = {Di Wu and Seth Aycock and Christof Monz},
journal= {arXiv preprint arXiv:2506.04521},
year = {2025}
}
备注
EMNLP Main 2025 17 pages, 15 figures