論文の概要: UvA-MT's Participation in the WMT26 General Translation Shared Task

• arxiv url: http://arxiv.org/abs/2610.27852v1
• Date: Tue, 20 Oct 2026 08:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.720541
• Title: UvA-MT's Participation in the WMT26 General Translation Shared Task
• Title（参考訳）: WMT26汎用翻訳タスクにおけるUvA-MTの参加
• Abstract要約: 我々は機械翻訳に大規模言語モデルの試験時間手法を利用する。 我々は、ラウンドロビン投票機構を用いて最適な候補を選択するために、LLMをペアワイズ・ジャッジとして採用する。 WMT25ベンチマークのオフライン評価は、ポイント・オブ・Nの選択よりも明らかに改善されている。
• 参考スコア（独自算出の注目度）: 23.48714406823538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents UvA-MT's submission to the WMT 2026 General Machine Translation shared task, competing in the unconstrained track across all 23 translation directions. This year, we fully leverage the test-time methods of Large Language Models (LLMs) for machine translation. Specifically, (1) we use sequential sampling with a refinement prompt to generate a pool of translation candidates for each source segment, a strategy shown to outperform traditional parallel sampling; and (2) we employ LLMs as pairwise judges to select the best candidate via a round-robin voting mechanism, with offline evaluation on the WMT25 benchmark showing a very clear improvement over point-wise best-of-N selection. Combined, these two strategies form our WMT26 submission.
• Abstract（参考訳）: 本稿では,UvA-MT による WMT 2026 General Machine Translation 共有タスクの提出について述べる。 今年は機械翻訳にLarge Language Models(LLM)のテストタイム手法をフル活用する。 具体的には,(1)改良プロンプトを用いたシーケンシャルサンプリングを用いて各ソースセグメントの翻訳候補のプールを生成し,(2)従来の並列サンプリングよりも優れた手法を示し,(2)LLMを用いてラウンドロビン投票機構を用いて最適な候補を選択する。 これら2つの戦略が組み合わさってWMT26を提出します。

関連論文リスト

• HW-TSC's Submission to the CCMT 2024 Machine Translation Tasks [12.841065384808733]
  我々はバイリンガル機械翻訳タスクとマルチドメイン機械翻訳タスクに参加する。 これら2つの翻訳タスクでは,正規化ドロップアウト,双方向トレーニング,データ多様化,前方翻訳,後方翻訳,交互学習,カリキュラム学習,トランスダクティブアンサンブル学習などの学習戦略を用いる。
  論文  参考訳（メタデータ） (2024-09-23T09:20:19Z)
• Choose the Final Translation from NMT and LLM hypotheses Using MBR Decoding: HW-TSC's Submission to the WMT24 General MT Shared Task [9.819139035652137]
  本稿では,Huawei Translate Services Center(HW-TSC)をWMT24汎用機械翻訳(MT)共有タスクに提出する。 我々は、正規化ドロップアウト、双方向トレーニング、データ多様化、前方翻訳、後方翻訳、交互学習、カリキュラム学習、トランスダクティブアンサンブル学習などのトレーニング戦略を用いて、ニューラルマシン翻訳(NMT)モデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-09-23T08:25:37Z)
• Contrastive Preference Optimization: Pushing the Boundaries of LLM Performance in Machine Translation [50.00235162432848]
  我々は22Kパラレル文と12Mパラメータしか持たないALMAモデルを訓練する。 ALMA-Rと呼ばれる結果のモデルは、WMTコンテストの勝者とGPT-4のパフォーマンスと一致または上回ることができる。
  論文  参考訳（メタデータ） (2024-01-16T15:04:51Z)
• UvA-MT's Participation in the WMT23 General Translation Shared Task [7.4336950563281174]
  本稿では,UvA-MTがWMT 2023に提案した汎用機械翻訳タスクについて述べる。 そこで本研究では,一方のモデルを用いて双方向タスクを処理することにより,従来のバイリンガル翻訳と同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-15T20:49:31Z)
• Multilingual Machine Translation Systems from Microsoft for WMT21 Shared Task [95.06453182273027]
  本報告では、大規模多言語機械翻訳におけるWMT21共有タスクのためのMicrosoftの機械翻訳システムについて述べる。 共有タスクへのモデル提出はDeltaLMnotefooturlhttps://aka.ms/deltalmで行われました。 最終提出は自動評価基準で3トラックにランクインした。
  論文  参考訳（メタデータ） (2021-11-03T09:16:17Z)
• SJTU-NICT's Supervised and Unsupervised Neural Machine Translation Systems for the WMT20 News Translation Task [111.91077204077817]
  我々は英語・中国語・英語・ポーランド語・ドイツ語・アッパー・ソルビアンという3つの言語対の4つの翻訳指導に参加した。 言語ペアの異なる条件に基づいて、我々は多様なニューラルネットワーク翻訳(NMT)技術の実験を行った。 私たちの提出書では、主要なシステムは英語、中国語、ポーランド語、英語、ドイツ語から上セルビア語への翻訳の道順で第一位を獲得しました。
  論文  参考訳（メタデータ） (2020-10-11T00:40:05Z)

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。