论文复现西西里语翻译基线，预训练 NLLB 明显优于从零训练模型。
资讯摘要
论文针对西西里语低资源机器翻译，重建了从双语期刊 Arba Sicula 的 PDF 中抽取平行文本的流程，用语言无关句编码器对齐并按阈值过滤自动对齐错误，同时将分词与词尾偏置子词切分移植为不依赖 Perl 的实现，并在冻结测试集上评测。作者比较了从零训练的小型 Transformer 与经低秩微调的预训练 NLLB 模型，并复现原系统的反向训练配方。结果显示预训练模型明显更优，分阶段训练对译入西西里语的提升大于译出方向。
要点速读
- 重建从 Arba Sicula 双语期刊 PDF 抽取平行文本的管线，用语言无关句编码器对齐并过滤典型自动对齐错误。
- 将原系统的分词与词尾偏置子词切分移植为不依赖 Perl 的实现，结果在期刊冻结测试集上测量。
- 作者报告预训练 NLLB 经低秩微调远优于从零训练的小 Transformer；分阶段训练对译入西西里语提升更大，多语言适配器会削弱未训练方向。
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 2026/10/25 08:00:13（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。