面向无资源语言的神经机器翻译：方法比较评估

无资源语言——即数字表征极其有限或缺失的语言——为机器翻译 (MT) 提出独特挑战。不同于低资源语言后者依赖有限但存在的语料，无资源语言往往仅能提供不足 100 句的训练数据。本文通过三种不同工作流程探索无资源翻译问题：翻译模型的微调、使用链式推理提示的大语言模型 (LLM) 零样本学习，以及无推理的直接提示。以 Owens Valley Paiute 作为案例研究，我们展示，无资源翻译需要与低资源场景截然不同的方法，因为传统机器翻译方法在低资源语言情境下便已失效。实证结果表明，尽管传统方法难以奏效，通用大语言模型的零样本学习能力却实现了无资源语言翻译，性能甚至超过低资源翻译方法，接近人类翻译水平 (BLEU 0.45-0.6)；具体而言，链式推理提示在更大规模语料上表现更佳，而直接提示在小规模数据集上更具优势。由于这些方法具备语言无关性，可推广至广泛的无资源语言翻译任务，无需专家输入。本研究确立了无资源翻译为一个独立范式，表明其需要创新解决方案，为语言保存提供了实践与理论视角。