大语言模型能否可靠评估机器翻译质量？人类和模型都面临挑战

苹果机器学习研究页面于2026-10-12发布论文，评估大语言模型用于机器翻译质量标注时与人类判断的一致性，关注价值在于检验模型能否稳定承担人工评测工作。

• 研究覆盖多语言对、不同领域和不同标注粒度，说明翻译质量评估不能只用单一测试集衡量。
• 论文比较了多维度质量指标（MQM）和错误片段标注（ESA）两类方案。
• 核心判断依据是模型与人类标注结果的一致程度，而不是模型生成译文的流畅度。
• 摘要同时指出人类和模型都面临挑战，因此模型评估结果不能直接等同于客观“标准答案”。
• 影响/看点：若模型在多种语言对、领域和标注层级下都能保持较高一致性，机器翻译评测成本可能下降；但在低资源语言、专业领域或复杂错误分类场景中，是否能替代人工仍取决于验证结果和质量阈值。
• 资料依据:
• Apple Machine Learning Research（2026-10-12）：Large Language Models for Machine Translation Quality Annotation: Humans and Models Are Both Challenged https://machinelearning.apple.com/research/llm-translation-quality-annotation

本内容由 AI 生成，仅供参考，请注意甄别