本文是LLM系列文章,针对《A Novel Paradigm Boosting Translation Capabilities of Large Language Models》的翻译。
摘要
本文研究了在机器翻译任务中提高大型语言模型翻译能力的策略。本文提出了一种新的范式,包括三个阶段:使用广泛的单语言数据进行二次预训练,使用线性文本格式文档进行连续预训练,以及利用源语言一致性指令进行监督微调。先前对LLM的研究集中在监督微调(SFT)的各种策略上,但其有效性有限。虽然传统的机器翻译方法依赖于大量的平行双语数据,但我们的范式强调了使用较小的高质量双语数据集的重要性。我们认为,重点应该放在增强LLM在预训练期间的跨语言对齐能力上,而不是仅仅依靠SFT期间的大量双语数据。使用Llama2模型进行的实验结果,特别是在单语增强后的汉语Llama2上,证明了LLM的翻译能力得到了提高。我们的方法的一个重要贡献在于第2阶段:使用线性文本格式文档进行持续预训练,该阶段所需的训练数据少于1B,使我们的方法非常高效。此外,在第3阶段,我们观察到,设置与源语言一致的指令有利于监督微调过程。实验结果表明,与NLLB-54B和GPT3.5text-davinci-003等模型相比,尽管我们的方法的参数计数仅为7B或13B,但我们的方法超越了以往的工作,并取得了卓越的性能。