Qwen-MT-Lumen at WMT2026: Instruction-Specialized Translation via Quality-Aware Training and On-Policy Distillation
Alibaba Token Hub（阿里 Token Hub）
该研究针对WMT2026通用机器翻译任务提交Qwen-MT-Lumen模型，通过四阶段流程优化指令专用翻译，在23个翻译方向上总体平均得分达4.60，性能可媲美领先专有系统。
2026-10-15 cs.CL
Alibaba-Translate China's Submission for WMT 2022 Quality Estimation Shared Task
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；University of Science and Technology of China（中国科学技术大学）；University of Macau（澳门大学）；National University of Singapore（新加坡国立大学）
在本文中，我们提出了我们的提交的翻译级MQM基准在质量评估共享任务，名为统一翻译评估（UniTE）。具体来说，我们的系统采用了UniTE的框架，该框架在训练过程中将三种类型的输入格式与预先训练的语言模型相结合。首先，我们将伪标记数据示例应用于连续预训练阶段。值得注意的是，为了减少预训练和微调之间的差距，我们使用了数据修剪和基于排名的分数归一化策略。在微调阶段，我们使用了过去几年WMT比赛的直接评估（DA）和多维质量评估（MQM）数据。最后，我们收集了仅源的评估结果，并集成了两个UniTE模型生成的预测，其主干分别是XLM-R和InfoXLM。结果表明，我们的模型在多语言和英俄设置中达到了第一的总排名，在英德和中英设置中达到了第二的总排名，在今年的质量评估比赛中表现出了相对较强的表现。
2023-02-17 cs.CL
UdS Submission for the WMT 19 Automatic Post-Editing Task
Saarland University（萨尔大学）；DFKI（德国人工智能研究中心）；China Mobile Online Services（中国移动在线服务公司）
在本文中，我们描述了我们在WMT 2019上提交的英德APE共享任务。我们利用和适应NMT架构最初开发的利用上下文信息APE，实现这在我们自己的Transformer模型和探索联合训练的APE任务与去噪编码器。
2019-08-09 cs.CL
CUNI Submission in WMT22 General Task
Charles University（查理大学）
我们为WMT 22一般翻译任务提交CUNI-佛手柑。我们在英语$\rightarrow$捷克方向竞争。我们的提交进一步探讨了块回译技术。与以前的工作相比，我们衡量性能的COMET分数和命名实体的翻译准确性。我们评估了MBR解码与传统混合反向翻译训练相比的性能，并且当同时使用这两种技术时，我们显示出可能的协同作用。结果表明，这两种方法都是提高翻译质量的有效手段，当它们结合起来时会产生更好的效果。
2022-11-29 cs.CL
LIUM-CVC Submissions for WMT18 Multimodal Translation Task
Le Mans University（勒芒大学）；Universitat Autonoma de Barcelona（巴塞罗那自治大学）
本文描述了由LIUM和CVC为WMT 18多模态翻译共享任务开发的多模态神经机器翻译系统。今年，我们对之前的多模态注意力架构提出了几项修改，以便更好地整合卷积特征，并使用编码器端信息对其进行优化。根据自动评估指标METEOR，我们最终的约束提交在约束提交中排名第一的英语-法语和第二的英语-德语对。
2018-09-01 cs.CL
Lite Training Strategies for Portuguese-English and English-Portuguese Translation
Institute of Computing, University of Campinas（坎皮纳斯大学计算研究所）；School of Electrical and Computer Engineering, University of Campinas（坎皮纳斯大学电气与计算机工程学院）；NeuralMind Inteligência Artificial（NeuralMind 人工智能公司）；David R. Cheriton School of Computer Science, University of Waterloo（滑铁卢大学 David R. Cheriton 计算机科学学院）
尽管深度学习广泛应用于机器翻译，但开发高质量的翻译模型仍然很昂贵。在这项工作中，我们研究了预训练模型的使用，例如使用低成本硬件进行葡萄牙语-英语和英语-葡萄牙语翻译任务的T5。我们探讨使用葡萄牙语和英语预训练的语言模型，并提出了适应的英语tokenizer代表葡萄牙语字符，如分音符，急性和严重的口音。我们将我们的模型与ParaCrawl数据集子集上的Google翻译API和MarianMT进行了比较，并与WMT 19生物医学翻译共享任务的获奖提交进行了比较。我们还介绍了我们提交的WMT 20生物医学翻译共享任务。我们的结果表明，我们的模型在适度的硬件上（一个8 GB的游戏GPU持续九天）训练时，具有与最先进的模型相竞争的性能。我们的数据、模型和代码可在https://github.com/unicamp-dl/Lite-T5-Translation上获得。
2020-08-20 cs.CL
UMONS Submission for WMT18 Multimodal Translation Task
University of Mons（蒙斯大学）
本文介绍了在第三届机器翻译会议（WMT 18）上提出的多模态机器翻译任务的UMONS解决方案。我们探索一种新的架构，称为deepGRU，基于神经图像描述（NIC）的相关任务的最新发现。以下章节中介绍的模型可以为受约束的（英语，图像）->德语和（英语，图像）->法语子任务获得最佳METEOR翻译分数。
2018-10-15 cs.CL
Miðeind's WMT 2021 submission
Miðeind ehf.（Miðeind公司）
我们提交了Miracheind提交的2021年WMT新闻翻译任务的英语$\to$冰岛语和冰岛语$\to$英语子集。基于transformer的模型被训练用于在并行数据上进行翻译，以迭代地生成反向翻译。然后，使用并行数据以及最后一次反向翻译迭代来调整预训练的mBART-25模型以进行翻译。然后，使用该适配的预训练模型来重新生成反向翻译，并继续对适配模型的训练。
2021-09-15 cs.CL
Facebook FAIR's WMT19 News Translation Task Submission
Facebook AI Research（脸书人工智能研究院）
本文介绍了Facebook FAIR提交的WMT 19共享新闻翻译任务。我们参加两个语言对和四个语言方向，英语<->德语和英语<->俄语。继我们去年提交之后，我们的基线系统是使用Fairseq序列建模工具包训练的基于BPE的大型Transformer模型，该模型依赖于采样的反向翻译。今年，我们尝试了不同的双文本数据过滤方案，以及添加过滤后的反向翻译数据。我们还对特定领域的数据集成和微调我们的模型，然后使用噪声信道模型重新排序进行解码。我们提交的材料在人类评价运动的所有四个方向上都排名第一。在En->De上，我们的系统显著优于其他系统以及人工翻译。该系统比我们提交的WMT'18提高了4.5 BLEU点。
2019-07-15 cs.CL
Facebook AI WMT21 News Translation Task Submission
Facebook AI（脸书人工智能研究院）
我们描述了Facebook向WMT 2021新闻翻译共享任务提交的多语言模型。我们参与14种语言的方向：英语和捷克语，德语，豪萨语，冰岛语，日语，俄语和中文。为了开发涵盖所有这些方向的系统，我们专注于多语言模型。我们利用所有可用来源的数据-- WMT，大规模数据采掘和域内反向翻译--来创建高质量的双语和多语言基线。随后，我们调查的策略，扩展多语言模型的大小，使一个系统有足够的能力，所有八种语言的高质量表示。我们最终提交的是一个密集和稀疏的专家混合多语言翻译模型的集合，然后对域内新闻数据进行微调，并对嘈杂的频道进行重新排名。与去年的获奖作品相比，我们的多语言系统提高了所有语言方向的翻译质量，平均提高了2.0 BLEU。在WMT 2021任务中，我们的系统基于自动评估在10个方向上排名第一。
2021-08-06 cs.CL
MS-UEdin Submission to the WMT2018 APE Shared Task: Dual-Source Transformer for Automatic Post-Editing
Microsoft（微软）；University of Edinburgh（爱丁堡大学）
本文介绍了微软和爱丁堡大学在WMT 2018上提交的自动后期编辑共享任务。基于来自WMT 2017共享任务的训练数据和系统，我们从上一个共享任务中重新实现了我们自己的模型，并引入了基于广泛参数共享的改进。接下来，我们将对IT领域的双源Transformer模型和数据选择的实现进行实验。我们的提交决定性地赢得了SMT后期编辑子任务，建立了新的最先进的技术，并且在NMT子任务中排名第二（或相等，16.46 vs 16.50 TER）。基于NMT子任务中相当弱的结果，我们假设神经对神经APE实际上可能没有用。
2018-09-01 cs.CL
The University of Helsinki submissions to the WMT19 news translation task
University of Helsinki（赫尔辛基大学）；Basement AI（Basement人工智能公司）
在本文中，我们介绍了赫尔辛基大学提交给WMT 2019年新闻翻译的三种语言对的共享任务：英语-德语，英语-芬兰语和芬兰语-英语。今年，我们首先关注使用多种数据过滤方法清理和过滤训练数据，从而得到更小、更干净的训练集。对于英语-德语，我们训练了两个文档级Transformer模型，并比较了不同的文档级翻译方法。对于芬兰语-英语和英语-芬兰语，我们专注于不同的分割方法，我们还为英语-芬兰语提供了一个基于规则的系统。
2019-06-10 cs.CL
Microsoft's Submission to the WMT2018 News Translation Task: How I Learned to Stop Worrying and Love the Data
Microsoft（微软）
本文介绍了微软提交给WMT 2018的新闻翻译共享任务。我们参加了一个语言方向-英语-德语。我们的系统遵循当前的最佳实践，并将最先进的模型与新的数据过滤（双条件交叉熵过滤）和句子加权方法相结合。我们使用Edinburgh针对WMT 2017的训练方案的更新版本训练了相当标准的Transformer-big模型，并尝试了Paracrawl的不同过滤方案。根据自动指标（BLEU），我们在这个子任务中获得了最高分，比下一个最强的系统高出近2个BLEU点。基于人的评价，我们在约束系统中排名第一。我们认为这主要是由我们的数据过滤/加权制度造成的。
2018-09-01 cs.CL
LIUM-CVC Submissions for WMT17 Multimodal Translation Task
University of Le Mans（勒芒大学）；Universitat Autonoma de Barcelona（巴塞罗那自治大学）
本文描述了由LIUM和CVC为WMT 17多模态翻译共享任务开发的单模态和多模态神经机器翻译系统。我们主要探索了两种多模态架构，其中集成了全局视觉特征或卷积特征映射，以便从视觉上下文中受益。根据自动评估指标METEOR和BLEU，我们最终的系统在En-De和En-Fr语言对中排名第一。
2017-07-14 cs.CL
The JHU-Microsoft Submission for WMT21 Quality Estimation Shared Task
Johns Hopkins University（约翰斯·霍普金斯大学）；Microsoft（微软）
本文介绍了JHU-Microsoft联合提交的WMT 2021质量评估共享任务。我们只参与共享任务的任务2（编辑后工作量估计），专注于目标端的词级质量估计。我们试验的技术包括Levenshtein Transformer训练和数据增强，结合了MT输出的前向、后向、往返翻译和伪后期编辑。我们证明了我们的系统相比，广泛采用的OpenKiwi-XLM基线的竞争力。我们的系统也是英语-德语语言对MT MCC指标的顶级系统。
2021-09-17 cs.CL
RoBLEURT Submission for the WMT2021 Metrics Task
University of Macau（澳门大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
在本文中，我们提出了我们对共享任务的提交：RoBLEURT（鲁棒优化BLEURT的训练）。在研究了可训练度量的最新进展之后，我们总结了几个至关重要的方面，以获得性能良好的度量模型：1）联合利用包含源模型和仅参考模型的优势，2）使用大量合成数据对持续预训练模型，3）使用数据去噪策略微调模型。实验结果表明，我们的模型在10个英语语言对中的8个上与WMT 2020人类注释达到了最先进的相关性。
2022-04-28 cs.CL
MetricX-24: The Google Submission to the WMT 2024 Metrics Shared Task
Google（谷歌公司）
本研究推出谷歌提交至WMT24指标共享任务的MetricX-24混合翻译质量指标，支持有参考/无参考评分，经两阶段训练与合成样本增强，性能较MetricX-23显著提升。
2024-10-04 cs.CL
The University of Edinburgh's Submission to the WMT22 Code-Mixing Shared Task (MixMT)
University of Edinburgh（爱丁堡大学）
爱丁堡大学参与了WMT 22关于代码混合翻译的共享任务。这包括两个子任务：i）从平行的印地语和英语句子生成代码混合的印地语/英语（Hinglish）文本生成，以及ii）从Hinglish到英语的机器翻译。由于这两个子任务都被认为是低资源的，我们将精力集中在仔细的数据生成和管理上，特别是使用单语资源的反向翻译。在子任务1中，我们探讨了限制性解码对英语和音译子词的影响，以产生印度式英语。对于子任务2，我们研究了不同的预训练技术，即比较现有机器翻译模型的简单初始化和对齐增强。对于这两个子任务，我们发现我们的基线系统工作得最好。我们的两个子任务系统都是整体表现最好的提交系统之一。
2022-10-20 cs.CL
Learning to Evaluate Translation Beyond English: BLEURT Submissions to the WMT Metrics 2020 Shared Task
Google Research（谷歌研究院）
在过去的十年中，机器翻译系统的质量有了显著的提高，因此，评估已经成为一个越来越具有挑战性的问题。本文介绍了我们对WMT 2020年翻译评估共享任务的贡献，这是翻译自动评估的主要基准。我们提出了几个基于BLEURT的意见书，BLEURT是一个以前发表的基于迁移学习的指标。我们将度量扩展到英语之外，并在14种语言对上进行评估，其中有微调数据，以及4种“zero-shot”语言对，我们没有标记的例子。此外，我们专注于英语到德语，并演示如何将BLEURT的预测与YiSi的预测相结合，并使用替代参考翻译来提高性能。实证结果表明，这些模型在WMT 2019年共享任务上取得了有竞争力的结果，表明了它们对2020年版的承诺。
2020-10-19 cs.CL
The AMU-UEDIN Submission to the WMT16 News Translation Task: Attention-based NMT Models as Feature Functions in Phrase-based SMT
Adam Mickiewicz University in Poznań（波兹南亚当·密茨凯维奇大学）；University of Edinburgh（爱丁堡大学）
本文介绍了AMU-UEDIN提交给WMT 2016新闻翻译共享任务的内容。我们探索基于注意力的神经翻译模型与基于短语的统计机器翻译的解码时间整合方法。提出并实现了GPU查询的高效批处理算法。对于英语-俄语，我们的系统在BLEU方面落后于最先进的纯神经模型。在受限系统中，手动评估将其置于与纯神经模型绑定的第一个集群中。对于俄语-英语任务，我们的提交达到了最高的BLEU结果，比最好的纯神经系统高出1.1 BLEU点，比我们自己的基于短语的基线高出1.6 BLEU。经过人工评估，该系统是最好的限制系统在自己的集群。在后续实验中，我们将结果提高了0.8 BLEU。
2016-06-23 cs.CL
UDS--DFKI Submission to the WMT2019 Similar Language Translation Shared Task
Saarland University（萨尔大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；University of Wolverhampton（伍尔弗汉普顿大学）
在本文中，我们介绍了提交给WMT 2019相似语言翻译共享任务的UDS-DFKI系统。这个共享任务的第一版包含来自三对相似语言的数据：捷克语和波兰语，印地语和尼泊尔语，葡萄牙语和西班牙语。参与者可以选择参加这三个轨道中的任何一个轨道，并提交任何翻译方向的系统产出。我们报告我们的系统从捷克语翻译到波兰语所获得的结果，并评论域外测试数据对我们系统性能的影响。UDS-DFKI在捷克语到波兰语的翻译方面取得了在十个团队中排名第二的竞争力。
2019-08-16 cs.CL
The MeMAD Submission to the WMT18 Multimodal Translation Task
Aalto University（阿尔托大学）；EURECOM（欧洲通信学院）；University of Helsinki（赫尔辛基大学）
本文介绍了WMT多模态机器翻译共享任务的MeMAD项目入口。我们建议将Transformer神经机器翻译（NMT）架构适应于多模态设置。在本文中，我们还描述了与纯文本翻译系统导致我们这个选择的初步实验。根据flickr18的自动指标，我们拥有英语到德语和英语到法语的最高评分系统。实验结果表明，视觉特征对系统的识别效果影响较小。我们最大的收益来自于底层纯文本NMT系统的质量。我们发现，适当使用额外的数据是有效的。
2018-09-03 cs.CL
Unbabel's Submission to the WMT2019 APE Shared Task: BERT-based Encoder-Decoder for Automatic Post-Editing
Unbabel（Unbabel公司）；Instituto de Telecomunicações（电信研究所）
本文介绍了Unbabel提交给WMT 2019 APE共享任务的英语-德语语言对。随着最近大型、强大的预训练模型的兴起，我们对BERT预训练模型进行了调整，以在编码器-解码器框架中执行自动后期编辑。类似于双编码器架构，我们开发了一个基于BERT的编码器-解码器（BED）模型，其中单个预训练的BERT编码器接收源src和机器翻译tgt字符串。此外，我们探索了一个保守性因素，以限制APE系统执行更少的编辑。正如官方结果所示，当在域内和人工训练数据的加权组合上进行训练时，我们的具有保守性惩罚的BED系统分别在TER和BLEU方面通过$-0.78$和$+1.23$显着提高了强大神经机器翻译系统的翻译。最后，我们的提交达到了一个新的国家的最先进的，前aequo，在英语-德语APE的NMT。
2019-06-29 cs.CL
CUNI System for the WMT18 Multimodal Translation Task
Charles University（查理大学）；Faculty of Mathematics and Physics（数学与物理学院）；Institute of Formal and Applied Linguistics（形式与应用语言学研究所）
我们提交我们的提交给WMT 18多模态翻译任务。我们提交的主要特点是应用自注意网络而不是递归神经网络。我们评估两种方法，将视觉功能的模型：第一，我们包括图像表示作为另一个输入到网络;第二，我们训练模型预测的视觉功能，并将其作为一个辅助目标。对于我们的提交，我们获得了文本和多模态的额外数据。这两种方法都比递归网络和自注意文本基线有了显着的改进。
2018-11-12 cs.CL
The Ubiqus English-Inuktitut System for WMT20
Ubiqus
本文介绍了Ubiqus提交的WMT 20英语-因纽特语共享新闻翻译任务。我们的主要系统，也只有提交，是基于多语言的方法，联合训练一个Transformer模型上的几个粘着语言。英语-因纽特语翻译任务的每一步都具有挑战性，从数据选择，准备和标记到质量评估。困难的出现是因为因纽特语的特殊性以及资源不足的情况。
2020-11-18 cs.CL
JGU Mainz's Submission to the WMT25 Shared Task on LLMs with Limited Resources for Slavic Languages: MT and QA
Johannes Gutenberg University Mainz（莱茵河畔明斯特约翰·格门特大学）；University of Colorado Boulder（科罗拉多大学波尔德分校）
该研究面向乌克兰语及上下索布语的低资源 MT 与 QA，通过参数高效微调联合训练 Qwen2.5-3B-Instruct，并结合额外数据、RAG 与集成，模型在两项任务上均超过基线。
2025-09-26 cs.CL
The University of Edinburgh's Submissions to the WMT19 News Translation Task
University of Edinburgh（爱丁堡大学）
爱丁堡大学参加了WMT 19新闻翻译共享任务，涉及六种语言：英语到古吉拉特语，古吉拉特语到英语，英语到汉语，汉语到英语，德语到英语和英语到捷克语。对于所有翻译方向，我们创建或使用目标语言的单语数据的反向翻译作为附加的合成训练数据。对于英语-古吉拉特语，我们还探索了具有跨语言语言模型预训练的半监督MT，以及通过印地语的翻译旋转。对于中文翻译，我们研究了基于字符的分词与中文文本的子分词。对于德语到英语，我们研究了大量反向翻译的训练数据对翻译质量的影响，获得了一些额外的见解。对于英语到捷克语，我们比较了不同的预处理和标记化制度。
2019-07-12 cs.CL
The University of Melbourne WMT 2026 CreoleMT Submission: A Domain-Balanced Approach to Low-Resource Pacific Creole Machine Translation
The University of Melbourne（墨尔本大学）
本研究针对WMT26克里奥尔语翻译任务，采用预训练加领域平衡微调的方法，结合LLM辅助重写、反向翻译和蒸馏技术，在Bouquet及口语测试集上超越基线3+ chrF++点。
2026-09-15 cs.CL
CUNI Non-Autoregressive System for the WMT 22 Efficient Translation Shared Task
Charles University（查理大学）；Institute of Formal and Applied Linguistics（形式与应用语言学研究所）
我们提出了一个非自回归系统提交给WMT 22高效翻译共享任务。Helcl等人（2022）使用了我们的系统，试图在非自回归和自回归模型之间提供公平的比较。本次提交的文件旨在建立坚实的基线以及合理的评估方法，特别是在衡量解码速度方面。该模型本身是一个12层的Transformer模型，通过强自回归教师模型在知识提取数据集上使用连接主义时间分类进行训练。
2022-12-01 cs.CL
MetricX-25 and GemSpanEval: Google Translate Submissions to the WMT25 Evaluation Shared Task
Google（谷歌）
本研究针对WMT25翻译评测共享任务，基于Gemma 3分别开发了适配仅编码器架构的质量预测模型MetricX-25和生成式错误跨度检测模型GemSpanEval，二者性能均达到优异水平。
2025-10-28 cs.CL
Facebook AI's WMT20 News Translation Task Submission
Facebook AI（Facebook人工智能）
本文描述了Facebook AI提交WMT 20共享新闻翻译任务。我们专注于低资源设置，并参与两个语言对，泰米尔语<->英语和因纽特语<->英语，有有限的域外双文本和单语数据。我们使用两种主要策略来解决低资源问题，利用所有可用的数据并使系统适应目标新闻领域。我们探索利用所有语言的双文本和单语数据的技术，例如自监督模型预训练，多语言模型，数据增强和重新排名。为了使翻译系统更好地适应测试领域，我们探索了数据集标记和对域内数据的微调。我们观察到，不同的技术提供了不同的改进的基础上的语言对的可用数据。基于这一发现，我们将这些技术集成到一个训练管道中。对于En->Ta，我们探索了一个无约束的设置与额外的泰米尔语双语和单语数据，并表明可以得到进一步的改善。在测试集上，我们提交的最佳系统对于Ta->En和En->Ta分别达到21.5和13.7 BLEU，对于Iu->En和En->Iu分别达到27.9和13.0。
2020-11-16 cs.CL
Tilde at WMT 2020: News Task Systems
Tilde（Tilde公司）；University of Latvia（拉脱维亚大学）
本文介绍了Tilde提交的WMT2020共享任务的新闻翻译的两个方向的英语和波兰语对在约束和不受约束的轨道。我们遵循前几年的提交，并将我们的基线系统构建为基于Transformer的基于子词单元的形态动机模型，我们使用Marian机器翻译工具包进行训练。此外，我们还尝试了不同的并行和单语数据选择方案，以及采样回译。我们的最终模型是Transformer基础模型和Transformer大模型的集合，这些模型具有从右到左的重新排序功能。
2020-10-29 cs.CL
NTT's Machine Translation Systems for WMT19 Robustness Task
NTT DOCOMO, INC.（NTT都科摩公司）；NTT Communication Science Laboratories, NTT Corporation（NTT集团通信科学实验室）
本文描述了NTT提交的WMT 19鲁棒性任务。此任务主要集中在翻译嘈杂的文本（例如，Twitter上的帖子），这与典型的翻译任务（如新闻）有不同的困难。我们的提交结合了技术，包括利用合成语料库，领域自适应，和占位符机制，这显着改善了以前的基线。实验结果表明，占位符机制，临时取代非标准的令牌，包括表情符号和表情符号与特殊的占位符令牌在翻译过程中，提高翻译的准确性，即使与嘈杂的文本。
2019-07-09 cs.CL
Volctrans Parallel Corpus Filtering System for WMT 2020
Peking University（北京大学）；ByteDance AI Lab（字节跳动人工智能实验室）；University of California San Diego（加利福尼亚大学圣迭戈分校）
在本文中，我们描述了我们提交的WMT 20共享任务的并行语料库过滤和对齐低资源条件。该任务要求参与者从给定的文档对中对齐潜在的平行句子对，并对它们进行评分，以便过滤低质量的句子对。我们的系统Volctrans由两个模块组成，即，挖掘模块和评分模块。挖掘模块在词对齐模型的基础上，采用迭代挖掘策略抽取潜在的平行句。在评分模块中，基于XLM的评分器提供分数，然后是重新排序机制和集成。我们提交的km-en和ps-en在From Scratch/Fine-tune条件下的表现优于基线3.x/2.x和2.x/2.x，这是所有提交作品中最高的。
2020-10-27 cs.CL
LIUM Machine Translation Systems for WMT17 News Translation Task
University of Le Mans（勒芒大学）
本文介绍了LIUM提交WMT 17新闻翻译任务的英语-德语，英语-土耳其语，英语-捷克语和英语-拉脱维亚语对。我们使用开源的nmtpy框架，训练基于BPE的专注神经机器翻译系统，有和没有因子输出。竞争分数是通过集成各种系统和利用目标单语语料库的回译的可用性。还分析了英语-土耳其语的回译数量和质量的影响，我们在截止日期后提交的作品超过了最好的作品+1.6 BLEU。
2017-07-14 cs.CL
CUNI Systems for the WMT22 Czech-Ukrainian Translation Task
Charles University（查理大学）
我们目前查尔斯大学提交给WMT 22通用翻译共享任务捷克-乌克兰和乌克兰-捷克机器翻译。我们提出了两个限制提交的基础上块回翻译和标记回翻译和实验与基于规则的罗马化乌克兰语。我们的研究结果表明，罗马化对翻译质量的影响很小。此外，我们还介绍了Charles Translator，这是一个于2022年3月开发的系统，用于应对从乌克兰到捷克共和国的移民。与我们的受限系统相比，它没有使用罗马化，而是使用了一些专有数据源。
2022-12-01 cs.CL
Findings of the WMT 2022 Shared Task on Translation Suggestion
Tencent Inc（腾讯公司）；Pattern Recognition Center, WeChat AI（微信AI模式识别中心）
我们报告的结果第一版的WMT共享任务翻译建议（TS）。该任务的目的是提供替代的特定单词或短语给定的整个文件生成的机器翻译（MT）。它包括两个子任务，即朴素翻译建议和带提示的翻译建议。主要区别在于子任务二中提供了一些提示，因此，模型更容易生成更准确的建议。对于子任务一，我们提供了英语-德语和英语-汉语两种语言对的语料库。子任务二只提供英汉语料。我们在子任务一和子任务二分别收到了来自5个参赛团队的92份意见书和6份意见书，其中大部分涵盖了所有的翻译方向。我们使用自动度量BLEU来评估每个提交的性能。
2022-11-30 cs.CL
SurreyAI 2023 Submission for the Quality Estimation Shared Task
University Of Surrey（萨里大学）；Aston University（阿斯顿大学）
本文提出 SurreyAI 团队在 WMT23 句子级直接评估共享任务中的方法，基于 TransQuest 框架探索多种自编码器预训练语言模型，其中 MonoTQ-InfoXLM-large 在多数语言对上显著优于基线。
2023-12-01 cs.AI cs.CL
Lingua Custodia at WMT'19: Attempts to Control Terminology
Lingua Custodia
本文介绍了Lingua Custodia提交给WMT'19德法新闻共享任务的欧盟选举的主题。我们报告的实验适应的术语的机器翻译系统到一个特定的主题，旨在提供更准确的翻译特定的实体，如政党和人名，鉴于共享的任务提供了没有域中的训练并行数据处理的限制性主题。我们对共享任务的主要提交使用了通过一种解码生成的反向翻译，这种解码允许在输出中插入约束，以保证数据中不一定观察到的特定术语的正确翻译。
2019-07-10 cs.CL
CUNI systems for WMT21: Terminology translation Shared Task
Charles University（查尔斯大学）
本文介绍了查尔斯大学提交的术语翻译共享任务在WMT21。这项任务的目的是设计一个系统，翻译某些术语的基础上提供的术语数据库，同时保持高的整体翻译质量。我们参加了英法双语比赛。我们的方法是基于提供所需的翻译以及输入句子，并训练模型使用这些提供的术语。我们在训练和推理过程中对术语进行词形化，以使模型能够学习如何在单词与术语数据库中提供的形式不同时生成正确的单词表面形式。我们的提交在精确匹配指标中排名第二，该指标评估了模型在翻译中产生所需术语的能力。
2021-09-20 cs.CL
Multilingual Machine Translation Systems from Microsoft for WMT21 Shared Task
Microsoft Corporation（微软公司）
本报告介绍了微软的机器翻译系统，用于WMT 21大规模多语言机器翻译共享任务。我们参加了所有三个评估轨道，包括大轨道和两个小轨道，其中前一个是不受约束的，后两个是完全受约束的。我们向共享任务提交的模型使用DeltaLM \footnote{\url{https://aka.ms/deltalm}}初始化，这是一种通用的预训练多语言编码器-解码器模型，并根据跟踪设置使用大量收集的并行数据和允许的数据源进行相应的微调，同时应用渐进学习和迭代反向翻译方法来进一步提高性能。我们最终提交的作品在自动评估指标方面在三个轨道上排名第一。
2021-11-03 cs.CL
Data Processing Matters: SRPH-Konvergen AI's Machine Translation System for WMT'21
Konvergen AI；Samsung Research Philippines（三星菲律宾研究院）
在本文中，我们描述了三星菲律宾研究院-Konvergen AI联合团队为WMT'21大规模多语言翻译任务-小轨道2提交的材料。我们向共享任务提交了一个标准的Seq 2Seq Transformer模型，而没有任何训练或架构技巧，主要依靠我们的数据预处理技术来提高性能。我们最终提交的模型在FLORES-101 devtest集上的平均BLEU得分为22.92，在比赛的隐藏测试集上的平均BLEU得分为22.97，排名第六。尽管只使用了标准的Transformer，我们的模型在印度尼西亚语到爪哇语中排名第一，这表明数据预处理与尖端的模型架构和训练技术同等重要，如果不是更重要的话。
2021-11-20 cs.CL
BJTU-WeChat's Systems for the WMT22 Chat Translation Task
Beijing Jiaotong University（北京交通大学）；Tencent Inc（腾讯公司）
本文介绍了北京交通大学和微信AI联合提交的WMT'22聊天翻译任务。基于Transformer，我们应用了几个有效的变体。在我们的实验中，我们使用预训练然后微调范式。在第一预训练阶段中，我们采用数据过滤和合成数据生成（即，反向翻译、正向翻译和知识蒸馏）。在第二个微调阶段，我们研究了说话人感知的域内数据生成，说话人自适应，基于上下文的建模，目标去噪微调，和增强的自我基于COMET的模型集成。我们的系统达到0.810和0.946 COMET分数。英语-德语和德语-英语的COMET分数在所有提交的材料中最高。
2022-11-28 cs.CL
UCAM Biomedical translation at WMT19: Transfer learning multi-domain ensembles
University of Cambridge（剑桥大学）；SDL Research（SDL研究院）
2019年WMT生物医学翻译任务涉及翻译Medline摘要。我们使用迁移学习来实现这一点，以获得一系列不同领域的强神经模型，并将它们组合成多领域集成。我们进一步实验了自适应语言模型集成加权方案。我们的提交在英语-西班牙语两个方向上都取得了最好的提交结果。
2019-06-13 cs.CL
Summer: WeChat Neural Machine Translation Systems for the WMT22 Biomedical Translation Task
Tencent Inc（腾讯公司）
本文介绍了微信参与WMT 2022共享的生物医学翻译任务中到英。我们的系统是基于Transformer，并使用几种不同的Transformer结构，以提高翻译质量。在我们的实验中，我们采用数据过滤，数据生成，几个变种的Transformer，微调和模型集成。我们的中文$\to$英文系统Summer在所有提交的作品中获得了最高的BLEU分数。
2022-11-28 cs.CL
UAlacant machine translation quality estimation at WMT 2018: a simple approach using phrase tables and feed-forward neural networks
Universitat d’Alacant（阿利坎特大学）
我们描述了Universitat d'Alacant提交给WMT 2018的单词和词典级机器翻译（MT）质量评估（QE）共享任务。我们的方法词级MT QE建立在以前的工作，标记的话在机器翻译的句子作为\textit{OK}或\textit{BAD}，并扩展到确定是否一个词或一系列的话需要插入在每个字后的间隙。我们的文档级提交只是使用词级方法预测的编辑操作来近似TER。所提出的方法在识别六个数据集中的三个数据集的间隙中的插入的子任务中排名第一，在其余数据集中排名第二。
2018-11-06 cs.CL
Clean Text and Full-Body Transformer: Microsoft's Submission to the WMT22 Shared Task on Sign Language Translation
Microsoft（微软）
本文介绍了微软在WMT 2022上提交的关于手语翻译的第一个共享任务，这是一个解决瑞士德语手语的手语到口语翻译的公开竞赛。由于数据稀缺和目标端前所未有的超过20k单词的词汇量，该任务非常具有挑战性。此外，数据来自真实的广播新闻，包括原生签名，覆盖长视频场景。受动作识别最新进展的启发，我们通过从预训练的I3D模型中提取特征并应用标准的Transformer网络来整合全身信息。通过对目标文本进行仔细的数据清理，进一步提高了系统的准确性。我们在测试集和开发集上分别获得了0.6和0.78的BLEU分数，这是共享任务参与者中的最佳分数。在人类评价中，提交也达到了第一位。通过应用从唇读模型中提取的特征，BLEU分数在开发集上进一步提高到1.08。
2022-10-24 cs.CL cs.CV
The University of Cambridge's Machine Translation Systems for WMT18
University of Cambridge（剑桥大学）；SDL Research（SDL研究院）
剑桥大学提交的WMT 18新闻翻译任务侧重于多种翻译模式的结合。我们在德语-英语、英语-德语和汉语-英语上比较了递归、卷积和基于自我注意力的神经模型。我们的最终系统将所有神经模型与基于MBR的方案中基于短语的SMT系统结合在一起。我们报告小，但一致的增益上强大的Transformer合奏。
2018-08-28 cs.CL
From SALAMANDRA to SALAMANDRATA: BSC Submission for WMT25 General Machine Translation Shared Task
Barcelona Supercomputing Center（巴塞罗那超级计算中心）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
本文提出 SALAMANDRATA 模型家族（2B 和 7B），通过持续预训练和监督微调优化 38 种欧洲语言翻译，并扩展词表支持非欧洲语言，结合最小贝叶斯风险解码与 COMET 重排序，作为 BSC 提交 WMT25 通用机器翻译共享任务的系统。
2025-08-18 cs.CL
DiDi's Machine Translation System for WMT2020
AI Labs, DidiChuxing（滴滴出行人工智能实验室）
本文介绍了滴滴AI Labs提交的WMT 2020新闻翻译共享任务。我们参与中文->英文的翻译方向。在这个方向上，我们使用Transformer作为我们的基线模型，并集成了几种模型增强技术，包括数据过滤，数据选择，回译，微调，模型集成和重新排名。因此，我们提交的作品在中文->英文中获得了$36.6$的BLEU分数。
2020-10-16 cs.AI cs.CL
EdinSaar@WMT21: North-Germanic Low-Resource Multilingual NMT
The University of Edinburgh（爱丁堡大学）；Saarland University（萨尔兰大学）；Technical University of Kaiserslautern（凯泽斯劳滕工业大学）
我们描述了在第六届机器翻译会议（WMT 2021）上，萨尔提交给北日耳曼语言多语言低资源翻译的共同任务。我们提供多语言翻译模型，用于冰岛语（is），挪威语-博克马尔语（nb）和瑞典语（sv）之间的翻译。我们采用各种实验方法，包括多语言预训练，回译，微调和集成。在大多数翻译方向上，我们的模型优于其他提交的系统。
2021-09-29 cs.CL
Terminology-Aware Translation with Constrained Decoding and Large Language Model Prompting
University of Edinburgh（爱丁堡大学）
针对机器翻译的术语正确性问题，提出结合伪术语标注训练术语感知模型、搭配约束解码重译或LLM提示优化的先翻译后优化方案，在WMT2023术语任务中有效提升术语召回率。
2023-10-09 cs.CL
Netmarble AI Center's WMT21 Automatic Post-Editing Shared Task Submission
Netmarble AI Center（网石人工智能中心）
本文介绍了Netmarble提交给WMT 21自动后期编辑（APE）共享任务的英语-德语语言对。首先，我们提出了一个培训阶段的课程培训策略。Facebook Fair的WMT 19新闻翻译模型被选择用于使用大型而强大的预训练神经网络。然后，我们在每个训练阶段使用不同级别的数据对翻译模型进行后训练。随着训练阶段的进行，我们通过在不同的训练阶段逐渐添加额外的信息，使系统学习解决多个任务。我们还展示了一种方法来利用额外的数据在大量的APE任务。为了进一步改进，我们在微调阶段应用了动态加权平均的多任务学习策略。为了用有限的数据微调APE语料库，我们添加了一些相关的子任务来学习统一的表示。最后，为了获得更好的性能，我们在后期训练和微调期间利用外部翻译作为增强的机器翻译（MT）。实验结果表明，我们的APE系统在TER和BLEU方面分别将开发数据集上提供的MT结果的翻译显著提高了-2.848和+3.74。它还证明了其有效性的测试数据集的质量比开发数据集。
2021-11-16 cs.AI cs.CL
NVIDIA NeMo Neural Machine Translation Systems for English-German and English-Russian News and Biomedical Tasks at WMT21
NVIDIA（英伟达）
本文概述了NVIDIA NeMo的神经机器翻译系统，用于WMT 21新闻和生物医学共享翻译任务的受限数据跟踪。我们的英语-德语（En-De）和英语-俄语（En-Ru）新闻任务提交是建立在基于基线转换器的序列到序列模型之上的。具体来说，我们使用1）检查点平均2）模型缩放3）从右到左因子分解模型的反向翻译和知识蒸馏的数据增强4）对前几年的测试集进行微调5）模型集成6）使用Transformer语言模型的浅融合解码和7）有噪声的通道重新排序。此外，我们的英语-俄语生物医学任务提交使用生物医学偏见词汇，并从新闻任务数据、从新闻任务数据集策划的医学相关文本以及共享任务提供的生物医学数据上从头开始训练。我们的新闻系统在WMT'20 En-De测试集上获得了39.5的sacreBLEU分数，超过了去年38.8的最佳提交。我们的生物医学任务Ru-En和En-Ru系统在WMT'20生物医学任务测试集上分别达到43.8和40.3的BLEU分数，超过了去年的最佳提交。
2021-11-16 cs.CL cs.LG
