論文の概要: Bridging Scientific Heritage: An Arabic--Russian Parallel Corpus and LLM Benchmark for Sustainable Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2606.30943v1
- Date: Mon, 29 Jun 2026 21:53:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.008933
- Title: Bridging Scientific Heritage: An Arabic--Russian Parallel Corpus and LLM Benchmark for Sustainable Knowledge Transfer
- Title（参考訳）: 科学遺産のブリッジング - アラビア語とロシア語のパラレルコーパスと持続可能な知識伝達のためのLLMベンチマーク
- Abstract要約: アラビア語とロシア語の科学翻訳のベンチマークを提示する。
ベンチマークには、約27,000の文対のハイブリッド並列コーパスが含まれている。
アラビア語とロシア語の研究者間の知識交換を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Russian and Arabic are among the major languages of scientific communication. Language barriers impede the exchange of research results between these communities, which affects international collaboration and the progress of sustainability-related research. We present a benchmark for Arabic--Russian scientific translation. The benchmark includes a hybrid parallel corpus of about 27,000 sentence pairs, compiled from scientific abstracts and general-domain texts (religion, news, conversations). We fine-tune three multilingual language models -- mT5-base (580M parameters), NLLB-200-distilled-1.3B (1.3B), and Qwen2.5-7B-Instruct (7B) -- using LoRA with ranks 8, 16, 32, and 64. The Qwen2.5-7B model with QLoRA (rank 8) yields BLEU 23.15, chrF 43.89, BERTScore 0.906, and COMET 0.758. These are +4.36 BLEU and +0.051 COMET above the zero-shot baseline. Few-shot prompting with three examples does not improve performance, indicating that domain-specific fine-tuning is required. We release the models, the corpus, and the evaluation code. By lowering the language barrier for scientific texts, the work enables knowledge exchange between Arabic-speaking and Russian-speaking researchers. It contributes to sustainable partnerships (UN SDG 17) and innovation infrastructure (SDG 9), aligning with the conference's focus on technology-driven sustainable development.
- Abstract（参考訳）: ロシア語とアラビア語は科学コミュニケーションの主要な言語の一つである。
言語障壁は、国際協力や持続可能性研究の進展に影響を及ぼすこれらのコミュニティ間の研究成果の交換を妨げる。
アラビア語とロシア語の科学翻訳のベンチマークを提示する。
このベンチマークには、27,000の文対のハイブリッド並列コーパスが含まれており、科学的な抽象化と一般的なドメインテキスト(宗教、ニュース、会話)からコンパイルされている。
ランク8, 16, 32, 64の LoRA を用いて, mT5-base (580Mパラメータ), NLLB-200-distilled-1.3B (1.3B), Qwen2.5-7B-Instruct (7B) の3つの言語モデルを微調整する。
QLoRA(8ランク)のQwen2.5-7BモデルはBLEU 23.15、chrF 43.89、BERTScore 0.906、COMET 0.758となる。
これらは+4.36BLEUと+0.051COMETである。
3つの例によるプロンプトは、パフォーマンスを改善しておらず、ドメイン固有の微調整が必要であることを示している。
モデル、コーパス、評価コードをリリースします。
科学文献の言語障壁を低くすることで、アラビア語とロシア語の研究者間の知識交換が可能になる。
持続可能なパートナーシップ (UN SDG 17) とイノベーションインフラストラクチャ (SDG 9) に貢献し、技術主導の持続可能な開発に焦点を合わせている。
関連論文リスト
- Neural Machine Translation for Low-Resource Tangkhul--English [0.0]
タングル語(Tangkhul)は、主にインドのマニプールで話されているチベット・ビルマン語族の言語である。
本報告では,(1)ByT5-largeファインチューニングに基づく基本システムと,(2)同一コーパス上のmT5-smallファインチューニングに基づくコントラストシステム,の2つのシステムについて述べる。
我々の主要なBYT5大規模システムは、コーパスBLEUスコア39.97、chrF++58.07、BERTScore F1、COMET0.7302をホールドアウトテストセットで達成する。
論文 参考訳（メタデータ） (2026-06-24T03:54:46Z) - AfriScience-MT: Towards Decolonizing Science in Africa through Text Translation [13.80926536385416]
AfriScience-MTは、6つのアフリカの言語(アムハラ語、ハウサ語、ルガンダ語、北部ソソ語、ヨルブ語、イシズルー語)をカバーする平行コーパスである。
専門の翻訳者は、科学論文の平易な要約を各対象言語に翻訳し、全く存在しない新しい用語を作り出した。
ゼロショット、少数ショット、微調整設定で機械翻訳システムと大規模言語モデルをベンチマークする。
論文 参考訳（メタデータ） (2026-05-28T10:36:32Z) - The GaoYao Benchmark: A Comprehensive Framework for Evaluating Multilingual and Multicultural Abilities of Large Language Models [51.61416200800499]
GaoYaoは182.3kサンプル、26言語、51か国/地域からなる総合ベンチマークである。
まず、GaoYao氏は評価タスクを3つの文化階層に分類する統一的なフレームワークを提案する。
第二に、専門家を活用して、主観的なベンチマークを19言語に厳格にローカライズすることで、ネイティブ品質の拡大を実現しています。
第3に,20以上のフラッグシップおよびコンパクトLCMの詳細な診断を行う。
論文 参考訳（メタデータ） (2026-04-22T06:19:46Z) - Bilingual Text-to-Motion Generation: A New Benchmark and Baselines [52.71312720094036]
LLMアノテーションと厳密な手動修正によって構築されたバイリンガルテキスト・モーション・ベンチマークであるBiHumanML3Dを紹介する。
また,CLA(Cross-Lingual Alignment)を用いたバイリンガルモーション拡散合成(BiMD)を提案する。
CLA を用いた BiMD は 0.045 対 0.169 対 R@3 対 80.8% の FID を達成し、単言語拡散モデルと BiHumanML3D の翻訳ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-03-26T08:48:27Z) - CAPITU: A Benchmark for Evaluating Instruction-Following in Brazilian Portuguese with Literary Context [8.678622777553267]
CAPITUは、ブラジルポルトガル語でLLM(Large Language Models)の命令追従能力を評価するためのベンチマークである。
ベンチマークは59の命令タイプを7つのカテゴリに分類し、すべて自動的に検証できるように設計されている。
シングルターンおよびマルチターン設定における18の最先端モデルを評価する。
論文 参考訳（メタデータ） (2026-03-23T21:16:54Z) - Developing an English-Efik Corpus and Machine Translation System for Digitization Inclusion [0.0]
本研究は、英語・英語翻訳における最先端多言語ニューラルマシン翻訳モデルの有効性を評価する。
我々はこのデータセット上でmT5多言語モデルとNLLB200モデルの両方を微調整した。
本研究は,低リソース言語のための実用的な機械翻訳ツールの開発の可能性を示すものである。
論文 参考訳（メタデータ） (2026-03-16T06:17:22Z) - ASCAT: An Arabic Scientific Corpus and Benchmark for Advanced Translation Evaluation [1.730057408524355]
ASCATは、平均141.7語(英語)と111.78語(アラビア語)の科学的な要約を対象とする。
各抽象化は、3つの補完的生成AI(Gemini)、トランスフォーマーベースモデル(Hugging Face texttquickmt-en-ar)、商用MT API(Google Translate、DeepL)を使用して翻訳された。
その結果得られたコーパスには67,293の英語のトークンと60,026のアラビア語のトークンが含まれており、アラビア語の語彙は17,604で、言語の形態的豊かさを反映している。
論文 参考訳（メタデータ） (2026-03-10T18:41:52Z) - Qwen3-ASR Technical Report [71.87071808763484]
2つの強力なオールインワン音声認識モデルと、新しい非自己回帰音声強制アライメントモデルを含むQwen3-ASRファミリを紹介する。
Qwen3-ASR-1.7BとQwen3-ASR-0.6Bは、言語識別と52の言語および方言のASRをサポートするASRモデルである。
論文 参考訳（メタデータ） (2026-01-29T06:58:13Z) - The ML-SUPERB 2.0 Challenge: Towards Inclusive ASR Benchmarking for All Language Varieties [107.57160730151975]
我々は200以上の言語、アクセント、方言のデータからなる新しいテストスイートを構築し、SOTA多言語音声モデルを評価する。
その結果, LIDの精度は23%, CERは18%向上した。
アクセントと方言のデータでは、最も良い提出は30.2%低いCERと15.7%高いLIDの精度を得た。
論文 参考訳（メタデータ） (2025-09-08T18:42:36Z) - ArabicMMLU: Assessing Massive Multitask Language Understanding in Arabic [51.922112625469836]
アラビア語における最初のマルチタスク言語理解ベンチマークである、データセット名を提案する。
我々のデータは、現代標準アラビア語(MSA)における40のタスクと14,575のマルチチョイス質問で構成されており、地域の母語話者と協調して慎重に構築されている。
35モデルについて評価した結果,特にオープンソースモデルにおいて,改善の余地がかなり高いことが判明した。
論文 参考訳（メタデータ） (2024-02-20T09:07:41Z) - Breaking Language Barriers in Multilingual Mathematical Reasoning: Insights and Observations [59.056367787688146]
本稿では, マルチリンガル数学推論 (xMR) LLM の探索と学習の先駆者である。
我々は10の異なる言語を含む最初の多言語数学推論命令データセットMGSM8KInstructを構築した。
翻訳を利用して、10個の異なる言語を含む最初の多言語数学推論命令データセットMGSM8KInstructを構築した。
論文 参考訳（メタデータ） (2023-10-31T08:09:20Z)
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。