論文の概要: Task-Preserving Multilingual Instruction Tuning for Open-Ended QA in WMT 2026 MIST

• arxiv url: http://arxiv.org/abs/2610.29926v1
• Date: Wed, 21 Oct 2026 16:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.398771
• Title: Task-Preserving Multilingual Instruction Tuning for Open-Ended QA in WMT 2026 MIST
• Title（参考訳）: WMT 2026 MISTにおけるオープンエンディングQAのためのタスク保存多言語命令調整
• Abstract要約: 我々は,タスク保存ローカライゼーションによって生成された多言語命令データセットであるEuroAlpacaを用いて,Qwen3-8BをLoRAに適応させる。 本システムでは,補助データに表される10の共有タスク言語におけるオープンエンド質問応答(QA-OEG)を対象とする。
• 参考スコア（独自算出の注目度）: 2.897376329231807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper describes our submission to the WMT 2026 Multilingual Instruction Shared Task. We adapt Qwen3-8B with LoRA using organiser-provided data, EuroAlpaca, a multilingual instruction dataset created through task-preserving localisation, and CrossEuroAlpaca, a cross-lingual augmentation that assigns different source and target languages to instructions, contexts and responses. Our system targets open-ended question answering (QA-OEG) in ten shared-task languages represented in the auxiliary data. Under matched decoding, adaptation improves the mean Gemma-4 judge score on target-language QA-OEG by 7.8% relative to the base model. On an additional evaluation using the Aya Evaluation Suite across all shared-task languages, it yields relative gains of 41.5% in macro-averaged ROUGE-L and 2.9% in BERTScore-F1, with larger improvements in target languages. However, these gains are task- and language-specific. Gemma-4 scores improve for QA-OEG and summarisation in the target languages but decline for context-grounded QA there and across all three tasks in the non-target languages.
• Abstract（参考訳）: 本稿では,WMT 2026多言語命令共有タスクについて述べる。 オーガナイザが提供するデータを用いてQwen3-8BをLoRAに適応し、タスク保存ローカライゼーションによって生成された多言語命令データセットEuroAlpacaと、異なるソースおよびターゲット言語を命令、コンテキスト、レスポンスに割り当てるクロス言語拡張であるCrossEuroAlpacaを適応する。 本システムでは,補助データに表される10の共有タスク言語におけるオープンエンド質問応答(QA-OEG)を対象とする。 一致復号法では、ベースモデルと比較して、ターゲット言語QA-OEGの平均Gemma-4判定スコアが7.8%向上する。 すべての共有タスク言語でAya Evaluation Suiteを使用した追加評価では、マクロ平均ROUGE-Lが41.5%、BERTScore-F1が2.9%、ターゲット言語が大幅に改善された。 しかし、これらの利得はタスク特有であり、言語特有である。 Gemma-4のスコアは、ターゲット言語におけるQA-OEGと要約を改善するが、非ターゲット言語における3つのタスクすべてにおいてコンテキストベースQAは減少する。

関連論文リスト

• EuroAlpaca: Task-Preserving Localisation of Instruction Data for European Languages [2.897376329231807]
  機械翻訳はタスククリティカルな制約と必要な出力を歪めることができる。 タスク保存型ローカライゼーションパイプラインであるEuroAlpacaを紹介する。 タスクセマンティクスの保存は多言語命令のチューニングに不可欠であることを示す。
  論文  参考訳（メタデータ） (2026-09-04T12:05:53Z)
• Efficiently Adapting Spoken Language Models for the Singaporean Context [0.0]
  音声言語モデル(SLM)は、音声認識と推論を統一するが、それらに敏感な領域に適応させることは過小評価される。 シンガポールの4つの公式言語における5つのスピーチタスクにわたって、シンガポールのホームチームコンテキストにオープンソースのSLMを適用します。 また,HTD-multilingual-QA,504,853サンプル多言語QAデータセットをテキストと音声形式で構築する。
  論文  参考訳（メタデータ） (2026-07-11T03:11:26Z)
• INDOTABVQA: A Benchmark for Cross-Lingual Table Understanding in Bahasa Indonesia Documents [1.9881456274482427]
  INDOTABVQAは、バハサ・インドネシアの実際の文書画像に対して、言語横断的な表視覚質問回答(VQA)を評価するためのベンチマークである。 データセットは、3つの視覚的なスタイルで1,593のドキュメントイメージと4つの言語で1,593の質問回答セットで構成されている。 我々のデータセット上でコンパクトな3BとLoRAの7Bモデルを微調整すると、精度は11.6%と17.8%向上する。
  論文  参考訳（メタデータ） (2026-04-13T19:03:10Z)
• AKCIT-FN at CheckThat! 2025: Switching Fine-Tuned SLMs and LLM Prompting for Multilingual Claim Normalization [0.5274891943689054]
  クレームの正規化は、自動ファクトチェックパイプラインにおける重要なステップである。 CLEF-2025 CheckThat! Task2は20言語にわたるクレーム正規化を行うシステムに挑戦する。
  論文  参考訳（メタデータ） (2025-09-15T01:19:49Z)
• From Multiple-Choice to Extractive QA: A Case Study for English and Arabic [51.13706104333848]
  既存の多言語データセットを新しいNLPタスクに再利用する可能性について検討する。 本稿では,英語および現代標準アラビア語に対するアノテーションガイドラインと並列EQAデータセットを提案する。 我々は、残りの120のBELEBELE言語変種に対して、他の人が我々のアプローチを適用するのを助けることを目指しており、その多くがリソース不足と見なされている。
  論文  参考訳（メタデータ） (2024-04-26T11:46:05Z)
• Extrapolating Large Language Models to Non-English by Aligning Languages [109.09051737966178]
  既存の大きな言語モデルは、異なる言語間で異なる能力を示す。 本稿では,言語間のセマンティックアライメントを構築することで,英語以外の言語に事前学習したLLMを強化する。
  論文  参考訳（メタデータ） (2023-08-09T13:32:06Z)
• Efficiently Aligned Cross-Lingual Transfer Learning for Conversational Tasks using Prompt-Tuning [98.60739735409243]
  英語のような高リソース言語で訓練された言語モデルの言語間移動は、多くのNLPタスクのために広く研究されている。 並列および大規模多言語会話データセットである言語間アライメント事前学習のためのXSGDを導入する。 協調的な言語間表現を容易にするために,アライメントプロンプトを学習するための効率的なプロンプトチューニング手法を開発した。
  論文  参考訳（メタデータ） (2023-04-03T18:46:01Z)
• MIA 2022 Shared Task: Evaluating Cross-lingual Open-Retrieval Question Answering for 16 Diverse Languages [54.002969723086075]
  16言語に類型的に多様である言語における言語横断的オープン-検索型問合せシステムの評価を行った。 反復的にマイニングされた多様な負の例を利用する最良のシステムは32.2 F1となり、ベースラインを4.5ポイント上回る。 第2のベストシステムは文書検索にエンティティを意識した文脈表現を使用し、タミル(20.8 F1)の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2022-07-02T06:54:10Z)

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。