論文の概要: What Does LLM Refinement Actually Improve? A Systematic Study on Document-Level Literary Translation

• arxiv url: http://arxiv.org/abs/2605.13368v1
• Date: Wed, 13 May 2026 11:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.010827
• Title: What Does LLM Refinement Actually Improve? A Systematic Study on Document-Level Literary Translation
• Title（参考訳）: LLMのリファインメントは本当に改善されるのか? 文書レベル文学翻訳の体系的研究
• Authors: Shaomu Tan, Dawei Zhu, Ke Tran, Michael Denkowski, Sony Trenous, Bill Byrne, Leonardo Ribeiro, Felix Hieber,
• Abstract要約: 反復自己精製は機械翻訳のための単純な推論時間戦略である。 本稿では,文書レベルの文学翻訳の体系的研究について述べる。 文書レベルのMTとセグメントレベルの改良により、堅牢で安定した改善が得られます。
• 参考スコア（独自算出の注目度）: 23.772653896060074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Iterative self-refinement is a simple inference-time strategy for machine translation: an LLM revises its own translation over multiple inference-time passes. Yet document-scale refinement remains poorly understood: 1) which pipelines work best, 2) what quality dimensions improve, and 3) how refiners behave. In this paper, we present a systematic study of document-level literary translation, covering nine LLMs and seven language pairs. Across nine translation-refinement granularity combinations and five refinement strategies, we find a robust recipe: document-level MT followed by segment-level refinement yields strong and stable improvements. In contrast, document-level refinement often makes fewer edits and leads to smaller or less reliable gains. Beyond granularity, A simple general refinement prompt consistently outperforms error-specific prompting and evaluate-then-refine schemes. Our large-scale human evaluation shows that refinement gains come primarily from fluency, style, and terminology, with limited and less consistent improvements in adequacy. Experiments varying model strength reveal refinement projects outputs toward the refiner's distribution rather than performing targeted error repair. These findings clarify the mechanisms and limitations of current refinement approaches.
• Abstract（参考訳）: 反復自己精製は、機械翻訳のための単純な推論時戦略である: LLMは、複数の推論時パスにまたがる独自の翻訳を改訂する。 しかし、文書規模の改良はあまり理解されていない。 1) どのパイプラインが最もうまく機能するか。 2)品質の寸法が向上するか、そして 3) 精製機はどのように振る舞うか。 本稿では,9つのLLMと7つの言語対をカバーする文書レベルの文学翻訳の体系的研究を行う。 9つの翻訳-精細化結合と5つの精細化戦略により、文書レベルのMTとセグメントレベルの精細化が続くと、強度と安定性が向上する。 対照的に、文書レベルの改善は、しばしば編集を少なくし、より小さく、より信頼性の低いゲインをもたらす。 粒度を超えて、単純な一般化は、エラー固有のプロンプトと評価-then-refineスキームを一貫して上回る。 我々の大規模な人的評価は、改善の進展は主に流布、スタイル、用語によるものであり、正確性は限定的で、一貫性の低い改善であることを示している。 モデル強度の異なる実験では、ターゲットのエラー修正を行うのではなく、精製器の分布に向けて出力する精細化プロジェクトを明らかにする。 これらの知見は,現在の改良アプローチのメカニズムと限界を明らかにするものである。

関連論文リスト

• Please Translate Again: Two Simple Experiments on Whether Human-Like Reasoning Helps Translation [18.00698389204074]
  性能向上が、Chain-of-Thought推論を通じて翻訳プロセスを明示的に分解することに起因するという明確な証拠は示さない。 分解は翻訳行動に影響を及ぼすが、分解に対する忠実さは翻訳に肯定的かつ否定的な影響をもたらす。
  論文  参考訳（メタデータ） (2025-06-05T00:04:39Z)
• Two Intermediate Translations Are Better Than One: Fine-tuning LLMs for Document-level Translation Refinement [19.513243503109035]
  大規模言語モデル(LLM)は自己精製によって翻訳品質を向上させることができる。 文章レベルから文書レベルへの翻訳を改良することで、このアイデアを基礎にしています。 文から文への変換(Sent2Sent)とDoc2Docの翻訳は翻訳プロセスの異なる側面に対処するので、翻訳の洗練のための微調整 LLM を提案する。
  論文  参考訳（メタデータ） (2025-04-08T02:08:07Z)
• Lost in Literalism: How Supervised Training Shapes Translationese in LLMs [51.04435855143767]
  大規模言語モデル(LLM)は機械翻訳において顕著な成功を収めた。 しかし、過度にリテラルと不自然な翻訳を特徴とする翻訳は、依然として永続的な課題である。 我々は、黄金の基準を磨き、不自然なトレーニングインスタンスをフィルタリングするなど、これらのバイアスを軽減する方法を導入する。
  論文  参考訳（メタデータ） (2025-03-06T12:14:45Z)
• Speech Translation Refinement using Large Language Models [8.602429274223693]
  本稿では,大規模言語モデル(LLM)が,共同改良プロセスを導入することにより,音声翻訳の性能を向上する方法について検討する。 LLMによる音声翻訳(ST)と自動音声認識(ASR)の併用により,STモデルの性能は大幅に向上した。 7つの翻訳タスクを含む MuST-C と CoVoST 2 データセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-01-25T05:32:42Z)
• Building Accurate Translation-Tailored LLMs with Language Aware Instruction Tuning [57.323716555996114]
  オフターゲット翻訳は、特に低リソース言語では未解決の問題である。 最近の研究は、翻訳命令の機能を強調するために高度なプロンプト戦略を設計するか、LLMの文脈内学習能力を活用している。 本研究では,LLMの命令追従能力(特に翻訳方向)を向上させるために,2段階の微調整アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-03-21T13:47:40Z)
• Adapting Large Language Models for Document-Level Machine Translation [46.370862171452444]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクを大幅に進歩させた。 近年の研究では、中程度のLLMはタスク固有の微調整後、より大きなLLMよりも優れていることが示されている。 本研究では,特定の言語対に対する文書レベルの機械翻訳(DocMT)にLLMを適用することに焦点を当てた。
  論文  参考訳（メタデータ） (2024-01-12T09:29:13Z)
• LLMRefine: Pinpointing and Refining Large Language Models via Fine-Grained Actionable Feedback [65.84061725174269]
  最近の大規模言語モデル(LLM)は、世代品質を改善するために人間のフィードバックを活用している。 LLMの出力を最適化する推論時間最適化手法であるLLMRefineを提案する。 機械翻訳、長文質問応答(QA)、話題要約を含む3つのテキスト生成タスクについて実験を行った。 LLMRefineは、すべてのベースラインアプローチを一貫して上回り、翻訳タスクの1.7 MetricXポイント、ASQAの8.1 ROUGE-L、トピックの要約の2.2 ROUGE-Lの改善を実現している。
  論文  参考訳（メタデータ） (2023-11-15T19:52:11Z)
• Contextual Refinement of Translations: Large Language Models for Sentence and Document-Level Post-Editing [12.843274390224853]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクでかなりの成功を収めている。 ニューラルネットワーク翻訳における最先端性能は,まだ達成できていない。 直接翻訳者ではなく,自動編集者 (APE) としてLLMを適用することを提案する。
  論文  参考訳（メタデータ） (2023-10-23T12:22:15Z)
• Towards Effective Disambiguation for Machine Translation with Large Language Models [65.80775710657672]
  我々は「あいまいな文」を翻訳する大規模言語モデルの能力について研究する。 実験の結果,提案手法はDeepLやNLLBといった最先端システムと5つの言語方向のうち4つで一致し,性能を向上できることがわかった。
  論文  参考訳（メタデータ） (2023-09-20T22:22:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。