跳转至

🌐 多语言/翻译

💬 EMNLP2026 · 24 篇论文解读

📌 同领域跨会议浏览: 🔬 ICLR2026 (8) · 💬 ACL2026 (63) · 🧪 ICML2026 (3) · 🤖 AAAI2026 (9) · 🧠 NeurIPS2025 (11) · 📹 ICCV2025 (1)

🔥 高频主题: 翻译 ×8 · 对齐/RLHF ×3

ALEE: Any-Language Evaluation of Embeddings via English-Centric Minimal Pairs

通过在平行语料英语端利用抽象语义表示(AMR)自动实施受控语义微扰并经双向 NLI 校验,构建覆盖 275+ 种语言的三元组极小对诊断基准 ALEE,揭示现有跨语言嵌入模型在结构与词汇语义上的细粒度对齐盲区。

Assessing the Impact of Language Disparity on Multilingual Linguistic Ability in Large Language Models

论文在覆盖 101 种语言的 MultiBLiMP 句法最小对偶基准上评测 6 个大模型家族,揭示后训练带来的语言对齐税由低资源语言承担最高代价,且大模型无法通过元语言提示言说其保留的语法知识,而目标语言原生提示能有效唤醒低资源潜伏语法能力。

Bridging the Consistency Gap: A Noun Bank Augmented Framework for Low-Cost Long Text Translation

针对长文本机器翻译中全局词汇一致性与推理成本之间的严重冲突,本文提出 NoBAT 框架,通过“粗粒度串行构建全局名词库 + 细粒度并行检索翻译”的两阶段解耦范式,在大幅提升实体与专有名词一致性的同时,将总 Token 消耗降低最高达 6.3 倍并实现 8.8 倍推理加速。

Cross-Attention Eigenvalues Know the Word Order in Multilingual Machine Translation

通过对 NLLB-200 交叉注意力 Gram 矩阵的归一化特征值谱训练线性探针,揭示跨语言词序(SVO vs. SOV)在以英语为源端生成多样目标语时具有高可分性与全网分散性,而在以英语为目标端时急剧退化,证明交叉注意力几何形态主要受目标端生成需求驱动而非源端结构。

Cross-lingual Biography Enrichment via Claim Extraction and Alignment

针对非英语母语背景女性在英文维基百科中记载简略而母语版本详实的信息不对称问题,本文提出基于主张(Claim)的跨语言传记增量丰富框架,通过将双语传记映射至统一英文原子主张空间、执行细粒度语义对齐筛选增量证据,并引导大模型实施受控事实重写,在大幅削减生成幻觉的同时显著提升了有效事实增量。

[论文解读] DeepSEA: A Multilingual Evaluation Benchmark for Southeast Asia

Google Research 提出首个覆盖 12 种东南亚语言、跨高低资源层级的全面人工翻译评测基准 DEEPSEA,涵盖数学推理、科学推理、问答、摘要与机器翻译五大任务,揭示了前沿大模型与开源模型在低资源语言上的断崖式差距及对英语表示的深层依赖。

Discourse Dependency: A Continuous Criterion for Translation Difficulty

论文将机器翻译难度从传统依赖译文质量打分的后验指标,重构为基于源端指代跨度距离的先验连续客观准则——篇章依存度(Discourse Dependency, DDP),并通过英韩译后编辑实验揭示了前沿大模型在长程篇章推理上的系统性失效以及主流自动评估指标对篇章难度的盲区。

FuzhouBench: A Benchmark for Eastern Min Chinese with Tone Sandhi Annotations

基于社区开源词典构建首个包含连读变调标注的闽东语福州话 NLP 基准 FuzhouBench,系统评测 G2P、变调预测与释义检索,揭示了大模型对复杂方言音系规则拟合不足及口语查询下检索崩塌的核心挑战。

IndicParam: Benchmark to evaluate LLMs on low-resource Indic Languages

论文基于印度国家研究生资格考试(UGC-NET)真题构建了涵盖 11 种低资源与极低资源印度语言的 13,207 道高难度选择题基准 IndicParam,通过解耦语言本体理解与事实常识推理并引入六类复杂题型,系统评测 20 款主流大模型并揭示当前模型即便如 Gemini-2.5 平均准确率亦仅有 58% 的严重瓶颈。

Length-Adaptive Decoding for Masked Diffusion Machine Translation

针对固定画布掩码扩散机器翻译在去噪前必须预分配目标长度、容易造成过短漏译或过长幻觉的结构性缺陷,本文提出完全免训练的“熵谷”(Entropy-Valley, EV)长度选择器:仅通过对少量紧凑候选长度做单次全掩码前向探测并计算平均预测熵,选取骨干模型自身最易去噪的“熵谷”画布,在 En↔Zh 与 En→De 上收回了参考长度上限 33.0%~65.3% 的 COMET-22 增益,且在同等微调数据下性能匹敌甚至超越自回归 LLaMA-3-8B。

Loong: A Human-Like Long Document Translation Agent with Observe-and-Act Adaptive Context Selection

提出模拟专业译员认知机制的长文档翻译智能体 LOONG,构建“概要-样例-实体”(3E)多粒度动态记忆库,通过三步顺序探索与 SFT+DPO 强化学习自适应甄别有益上下文,配合递归二分保序对齐算法,在英汉/德/法等方向上相比基线取得最高 13.0 分的平均质量提升。

Mimir: Large-Scale Multilingual Concept Modeling

Mimir 是首个面向大规模多语言的大概念模型(Large Concept Model, LCM),采用双塔扩散架构直接在句子级语义嵌入空间预测下一个概念,依托覆盖 46 种语言的 388 亿句预训练语料与 35 种语言的高质量指令微调数据,突破了传统 LCM 仅限英语语义理解的壁局限,在跨语言摘要任务(XL-Sum)上显著超越同量级 Token 自回归模型 Qwen3 1.7B。

Parallel Tokenizers: Rethinking Vocabulary Design in Cross-Lingual Transfer of Low-Resource Languages

针对传统多语言分词器割裂跨语言同义词索引与生育率失衡的问题,本文提出并行分词器(Parallel Tokenizers),先构建单语基准分词器并通过机器翻译精确对齐各语言词级词表索引,配合全局广播的语言身份嵌入,在13种低资源语言的预训练编码器评测中全面超越常规共享分词基线。

Plasticity without Collapse: Plasticity-Inducing Control Optimizer for Cross-Lingual Continual Pre-Training

针对大语言模型在跨语言与跨领域持续预训练(CPT)中的稳定性-塑性两难困境,本文提出优化器级控制方法 PICO,通过坐标级效用门控衰减关键参数梯度、周期性矩阵谱灵敏度监控隐式退化,并以复合门控随机扰动激活冗余参数探索,在无需重放缓存或架构修改的前提下实现了正向迁移与最低的最坏阶段崩溃率。

Polyglot Teachers: Evaluating Language Models for Multilingual Synthetic Data Generation

针对多语言监督微调(SFT)中盲目选取最大闭源或开源模型作为合成数据教师模型的行业惯性,本文构建了结合内在数据质量与外在学生迁移能力的综合指标 POLYGLOT SCORE,系统评测了 10 个代表性模型在 6 种不同语言家族中的生成表现,揭示了参数规模与教师质量无显著相关性,并提出了基于模型家族匹配与语种资源感知的合成数据优化范式。

Predicting Multilingual Classification and Translation Performance of LLMs with Cross-Lingual Alignment – Is English Enough?

系统评测了27种基于句子嵌入的跨语言对齐(CLA)度量组合对大语言模型下游分类与翻译任务的预测能力,提出摆脱目标语言书写系统偏置的PMI翻译指标,并通过凸组合权重分析首次证明LLM在非英语翻译时主要依赖英语作为内部枢纽。

Scaling Unsupervised Word Alignment to Documents via Structural Constraints

针对长文本无监督词对齐在相似度矩阵变大时出现噪声扩散和对齐崩溃的问题,本文提出了无需额外训练与句子分割的结构约束方法 CTFAlign 与 MDPAlign,在六个语对上将文档级词对齐错误率(AER)从 0.412 降至 0.326,并显著提升翻译覆盖度评估和语义差异识别等下游任务表现。

Target-Language Generation in Multilingual Models: Activation Steering and Optimal Control

本文将多语言大模型的跨语言生成视作激活空间轨迹的最优控制问题,基于 LISECO 框架推导出闭式解线性语义控制算法,并提出结合语言依从性、句法连贯性与语义连贯性的统一评测指标“依从连贯率”(Adhered Coherence),在无需提示词引导下实现了稳定高效的语言强制切换。

The Blindness of Document-Level Translation Evaluation

通过构建拼接不同系统译文的反事实篇章(MIX),本文揭示当前主流的文档级机器翻译评测协议(如 ESA 及 14 种自动指标)在评分、系统排序和错误标注上完全无法区分连贯篇章与人造非连贯篇章,暴露出评测协议仅提供文档展示却无法激发文档级判别的“协议盲区”。

The Multilingual FrameNet Corpus

论文构建了首个大规模多语言框架语义解析基准语料库 mFNC,系统整合并清洗对齐了涵盖英语、汉语、德语、法语、意大利语等 10 种语言的 150 万词元与 7 万句子标注,使判别式与生成式语义解析器在多语言及零样本跨语言场景下均显著超越原有 SOTA。

Unlocking Fine-Grained Translation Quality Estimation in LRMs through Mutually Boosting Implicit and Explicit Reasoning

针对大推理模型在细粒度翻译质量估计中因长文本搜索空间大且易被流畅性误导的难题,本文提出 RIEQE 两阶段框架:先通过任务解构与无思考监督微调强化层间隐式判别表征,再结合任务定制可验证奖励实施显式强化学习,实现隐式与显式推理的双向互促并刷新 SOTA。

UrduMMLU: A Massive Multitask Benchmark for Urdu Language Understanding

本文提出了首个原生编写、覆盖巴基斯坦初高中教学大纲的乌尔都语大规模多任务理解基准 UrduMMLU,包含来自公立统考试卷与题库的 26,389 道四选一选择题,横跨 5 大领域与 26 个子学科,并通过严格的双人独立背对背标注与共识过滤建立了高质量金标;实验揭示顶尖模型在理科上表现强劲,但在乌尔都语本土人文与宗教社科上普遍出现 25 至 40 个百分点的严重断崖。

When Does Auxiliary Classification Help Regression in Practice? A Case Study in Arabic Dialectness Modeling

针对阿拉伯语方言程度连续回归中极度偏向现代标准语的严重长尾分布,本文提出结合 7 类等宽离散化与焦点损失(Focal Loss)的多任务学习框架,抑制负迁移并将 NADI 2024 盲测 RMSE 降至 0.1275(提升超 9%)。

When Similar Means Different: Evaluating LLMs on Arabic–Hebrew Cognates

论文构建了包含 1,858 对阿拉伯语-希伯来语词对及对应句级上下文的高质量基准 SemCog Bench,深入评测了 16 款主流大模型在真同源词、假同友与借词上的识别与消歧能力,揭示了 LLM 严重依赖表层形态相似性而缺乏深层跨语言语义推理的根本缺陷。