EMNLP 2023:基于微调和上下文学习的机器翻译大型语言模型 摘要：大型语言模型（LLMs）是机器翻译（MT）的一个有前景的途径。然而，当前基于LLM的MT系统存在脆弱性：其有效性高度依赖于挑选的少数示例，而且它们通常需要额外的后处理以

论文解读|ACL 2024: 演示对多语言情境学习的影响：多维分析 摘要：在上下文中学习是一种流行的推理策略，其中大型语言模型仅通过少量标记示例就能解决任务，而无需进行任何参数更新。尽管人们对英语上下文中的学习进行了广泛的研究，多语言上下文

2023|用于特定领域机器翻译的大语言模型微调 摘要：大型语言模型(LLM)在机器翻译(MT)领域取得了重大进展。然而，它们在特定领域MT中的潜力仍有待探索。当前基于LLM的MT系统仍然面临一些挑战。首先，对于具有上下文学习的LLM,它们的

2024|通过相似性搜索进行上下文示例选择可改善低资源机器翻译 摘要：生成式大语言模型（LLMs）进行上下文学习的能力，已经催生了大量研究，探讨如何最好地为各种自然语言处理任务提示模型。在本文中，我们专注于机器翻译（MT），这是一个已被证实