論文の概要: SalamandraTA at WMT 2026 Terminology Shared Task: Hard Examples Are Better Teachers

• arxiv url: http://arxiv.org/abs/2609.09999v2
• Date: Thu, 10 Sep 2026 08:01:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 14:47:34.30483
• Title: SalamandraTA at WMT 2026 Terminology Shared Task: Hard Examples Are Better Teachers
• Title（参考訳）: SalamandraTA at WMT 2026 Terminology Shared Task: Hard Examples Are Better Teachers (英語)
• Authors: Xixian Liao, Maite Melero,
• Abstract要約: 用語を意識した翻訳は、正しい翻訳以上のものを求める。 ほとんどの例では、用語集はモデルが生成したであろうものを正確に規定している。 モデル自身の翻訳が用語集と矛盾する例のみを保持する。 我々のシステムは74.6 chrF++で94.2%の長期的成功を達成した。
• 参考スコア（独自算出の注目度）: 0.6588840794922407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Terminology-aware translation asks for more than a correct translation: the output must use the exact terms a glossary prescribes. The standard recipe, fine-tuning on glossary-annotated translation pairs, hides an inefficiency: for most examples the glossary prescribes exactly what the model would have produced anyway, so they teach nothing about following a glossary. We therefore keep only the examples where the model's own translation contradicts the glossary. In a controlled study at fixed data volume, this selection alone raises term accuracy from 78.7% to 89.9%. The filtered data, built by a two-way synthetic pipeline on open models, is part of the instruction-tuning mixture of our public release SalamandraTA-7b-instruct v3.0, which, used exactly as released and wrapped in a document-level inference pipeline, forms the BSC submission to the WMT26 Terminology Shared Task Track 1. At the official WMT26 evaluation, our system achieves 94.2% term success at 74.6 chrF++, with only two of the twenty-two submissions outperforming it on both metrics. On last year's benchmark, it also surpasses our GRPO-based system, despite being trained solely with ordinary supervised fine-tuning.
• Abstract（参考訳）: 用語を意識した翻訳は、正しい翻訳以上のことを要求する: 出力は、用語集が規定する正確な用語を使用しなければならない。 標準的なレシピは、用語集に注釈付けされた翻訳ペアを微調整することで、効率の悪さを隠している:ほとんどの例では、用語集はモデルが生成したであろうものを正確に規定しているので、用語集に従うことについては何も教えてくれない。 したがって、モデル自身の翻訳が用語集と矛盾する例のみを保持する。 一定のデータ量で制御された調査では、この選択だけで期間の精度は78.7%から89.9%に上昇する。 フィルタされたデータは、オープンモデル上の双方向合成パイプラインによって構築され、我々の公開リリースであるSaramandraTA-7b-instruct v3.0の命令調整ミックスの一部である。 公式なWMT26評価において、我々のシステムは74.6 chrF++で94.2%の長期的成功を達成した。 昨年のベンチマークでは、通常の教師付き微調整だけで訓練されているにもかかわらず、GRPOベースのシステムを上回っています。

関連論文リスト

• DocAtlas: Multilingual Document Understanding Across 80+ Languages [58.715440331861295]
  本稿では,82言語を対象とした高忠実度OCRデータセットとベンチマークを構築するフレームワークDocAtlasを紹介する。 我々のデュアルパイプライン、ネイティブDOCX文書の微分レンダリング、左右スクリプトの合成ベース生成は正確な構造アノテーションを生成する。
  論文  参考訳（メタデータ） (2026-05-12T18:09:38Z)
• TasTe: Teaching Large Language Models to Translate through Self-Reflection [82.83958470745381]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて顕著な性能を示した。 本稿では,自己回帰を通した翻訳を行うTasTeフレームワークを提案する。 WMT22ベンチマークにおける4つの言語方向の評価結果から,既存の手法と比較して,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-06-12T17:21:21Z)
• Domain Terminology Integration into Machine Translation: Leveraging Large Language Models [3.178046741931973]
  本稿では,WMT 2023 におけるドイツ語-英語(DE-EN),英語-チェコ語(EN-CS),中国語-英語(ZH-EN)言語対に対する提案手法について述べる。 この課題は、技術用語を正確に翻訳するシステムを開発するために参加者に挑戦することで機械翻訳(MT)を進めることを目的としている。
  論文  参考訳（メタデータ） (2023-10-22T23:25:28Z)
• Toward Efficient Language Model Pretraining and Downstream Adaptation via Self-Evolution: A Case Study on SuperGLUE [203.65227947509933]
  このレポートでは、スーパーGLUEのリーダーボードにJDExplore d-teamのVega v2を提出しました。 SuperGLUEは、広く使われている汎用言語理解評価(GLUE)ベンチマークよりも難易度が高く、8つの難しい言語理解タスクを含んでいる。
  論文  参考訳（メタデータ） (2022-12-04T15:36:18Z)
• CUNI systems for WMT21: Terminology translation Shared Task [0.0]
  本研究の目的は、提供された用語データベースに基づいて特定の用語を翻訳するシステムを設計することである。 提案手法は,入力文とともに所望の翻訳を提供し,提案した用語を使用するようにモデルを訓練することに基づいている。 トレーニング中も推論中も用語を補足し、モデルが単語の表面形状を正しく生成する方法を学習できるようにする。
  論文  参考訳（メタデータ） (2021-09-20T08:05:39Z)
• BERT, mBERT, or BiBERT? A Study on Contextualized Embeddings for Neural Machine Translation [38.017030073108735]
  本稿では,バイリンガル事前学習型言語モデル(BiBERT)が最先端の翻訳性能を実現することを示す。 我々の最良のモデルは、IWSLT'14データセットでは30.45点、IWSLT'14データセットでは38.61点、WMT'14データセットでは31.26点、WMT'14データセットでは34.94点である。
  論文  参考訳（メタデータ） (2021-09-09T23:43:41Z)
• The USYD-JD Speech Translation System for IWSLT 2021 [85.64797317290349]
  本稿では,シドニー大学とJDが共同でIWSLT 2021低リソース音声翻訳タスクを提出したことを述べる。 私たちは、公式に提供されたASRとMTデータセットでモデルをトレーニングしました。 翻訳性能の向上を目的として, バック翻訳, 知識蒸留, 多機能再構成, トランスダクティブファインタニングなど, 最新の効果的な手法について検討した。
  論文  参考訳（メタデータ） (2021-07-24T09:53:34Z)
• The Volctrans Neural Speech Translation System for IWSLT 2021 [26.058205594318405]
  本稿では,Volctrans チームが IWSLT 2021 に提出したシステムについて述べる。 オフライン音声翻訳では,ベンチマークよりも8.1 BLEUの改善を実現している。 テキスト間同時翻訳では,wait-kモデルを最適化する最善の方法を検討する。
  論文  参考訳（メタデータ） (2021-05-16T00:11:59Z)
• Syntactic Structure Distillation Pretraining For Bidirectional Encoders [49.483357228441434]
  本稿では,BERTプレトレーニングに構文バイアスを注入するための知識蒸留手法を提案する。 我々は,構文的 LM から単語の周辺分布を抽出する。 本研究は,大量のデータを利用する表現学習者においても,構文バイアスの利点を示すものである。
  論文  参考訳（メタデータ） (2020-05-27T16:44:01Z)

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。