论文用OCR加视觉语言模型从语言学档案中抽取双语语料
资讯摘要
论文提出从语言学档案（语法书、词典等文献）中抽取翻译例句，为缺乏网络资源的语言构建平行语料。作者搭建结合OCR模型与视觉语言模型的流水线，使识别内容与版面视觉信息对齐。在20种语言上，抽取的双语文本被用于训练机器翻译模型及大模型上下文学习；作者报告上下文学习相比零样本翻译，在低资源和高资源目标语言上分别提升+15.78和+6.94 chrF2++。
要点速读
- 论文提出从语法书、词典等语言学档案中抽取双语文本，覆盖网络资源匮乏的语言
- 流水线结合OCR模型与视觉语言模型，使识别内容与版面视觉信息对齐
- 在20种语言上验证抽取语料可用于训练MT模型和大模型上下文学习，作者报告chrF2++提升+15.78与+6.94
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。