面向多语言机器翻译的开放式大语言模型无参考后训练
一项研究探讨了开放式大语言模型在46种语言机器翻译任务中的无参考后训练方法。研究人员以监督微调的MiLMMT-46-v0.1模型为基础，采用Group Relative Policy Optimization（GRPO），奖励信号取自两个无参考质量评估模型的平均值，并加入语言识别门控。随后，他们对监督微调和强化学习模型的检查点进行线性插值，得到MiLMMT-46-v1.0。根据论文报告的评测结果，新模型相较监督微调基线均有稳定提升，并超过多个近期开放模型；与参与评测的专有系统相比，也取得了领先的无参考评分。研究还发现，在线策略蒸馏能够达到、但无法超越强化学习结合检查点插值所实现的质量上限。研究团队已公开模型和代码，以支持后续研究。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。