并非万能一把抓：利用合成与原创数据构建翻译系统用于巴什基尔语、哈萨克语、吉尔吉斯语、塔塔尔语和楚瓦什语
No One-Size-Fits-All: Building Systems For Translation to Bashkir, Kazakh, Kyrgyz, Tatar and Chuvash Using Synthetic And Original Data
AI总结：
本文通过合成与原创数据构建多突厥语翻译系统，展示了不同方法在各语言上的翻译效果，并发布相关数据集和模型权重。
摘要：
我们探索了五种突厥语对的机器翻译：俄语-巴什基尔语、俄语-哈萨克语、俄语-吉尔吉斯语、英语-塔塔尔语、英语-楚瓦什语。在合成数据上微调nllb-200-distilled-600M并使用LoRA达到哈萨克语的chrF++为49.71，巴什基尔语为46.94。使用检索相似示例提示DeepSeek-V3.2达到楚瓦什语的chrF++为39.47。对于塔塔尔语，零样本或基于检索的方法达到chrF++为41.6，而吉尔吉斯语的零样本方法达到45.6。我们发布了数据集和获得的权重。
英文摘要：
We explore machine translation for five Turkic language pairs: Russian-Bashkir, Russian-Kazakh, Russian-Kyrgyz, English-Tatar, English-Chuvash. Fine-tuning nllb-200-distilled-600M with LoRA on synthetic data achieved chrF++ 49.71 for Kazakh and 46.94 for Bashkir. Prompting DeepSeek-V3.2 with retrieved similar examples achieved chrF++ 39.47 for Chuvash. For Tatar, zero-shot or retrieval-based approaches achieved chrF++ 41.6, while for Kyrgyz the zero-shot approach reached 45.6. We release the dataset and the obtained weights.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
