引言：多语言机器翻译的新挑战与机遇
大型语言模型（LLMs）在多语言翻译任务上,在处理具有大量语料的语言（高资源语言）表现出色，但对于语料较少的语言（低资源语言）则效果较差。
研究者们尝试利用与低资源语言相关的高资源语言来提升翻译性能，例如通过使用迁移学习和联合训练等方法。通过研究发现：训练数据中相关语言的存在对翻译质量有着显著的影响。
然而，评估LLMs在机器翻译中的性能时，需要了解模型训练使用的具体语言、每种语言的数据量以及数据的性质。因为一种语言的数据可以促进模型在与其相似的语言的性能。
在本研究中，我们评估了Llama2模型在机器翻译中的多语言能力，特别强调了模型在训练过程中已经见过和未见过的语言。我们通过分析语言特征距离来深入了解训练数据中哪些特征和语言对LLM机器翻译的性能。
本文是一个纯实验类型的文章，因此直接对于实验进行解读。
论文标题、机构、论文链接和项目地址
- 论文标题：What Linguistic Features and Languages are Important in LLM Translation?
- 机构：Bandung Institute of Technology, University of Indonesia, Boston University, Monash University Indonesia
- 论文链接：arxiv.org/pdf/2402.13...
实验设计：评估Llama2模型的多语言翻译能力
1. 实验中使用的语言和数据集
为了更好地理解LLMs在机器翻译中的表现，本章节将重点分析Llama2模型在处理多语言翻译任务时的能力，尤其是对于模型在训练过程中未见过的语言。
我们对Llama2模型在41种语言上进行了全面评估，其中15种语言是在训练过程中没有的语言。并由此将语言分成两组：
- 一组是模型在训练中已经见过的语言（称为inllama）。包括德语、瑞典语、荷兰语等
- 另一组是模型在训练中未见过的语言（称为outllama）。inllama语言，而outllama语言则包括南非荷兰语、加利西亚语、马其顿语等
使用FLORES-200数据集进行机器翻译评估，该数据集支持多种低资源语言。为了减少潜在的数据泄露风险，我们排除了英语翻译任务：英语翻译到其他语言。
2. 评估方法：BLEU和COMET-22指标
我们采用了两种评估指标来衡量Llama2模型的翻译性能：
- 统计机器翻译指标BLEU。BLEU分数用于衡量翻译的质量
- 基于模型的机器翻译指标COMET-22。而COMET-22则是一个较新的评估指标，适用于更复杂的评估场景。
实验结果：Llama2模型的翻译性能
1. 对训练中见过的语言的翻译结果
实验结果显示，对于inllama语言组，Llama2模型在单次提示（one-shot）翻译任务中没有产生低于10的BLEU分数。这表明Llama2能够合理地翻译它在训练过程中遇到过的所有语言。例如，德语、瑞典语和荷兰语的BLEU分数分别为33.68、37.71和27.45，COMET-22分数则普遍在0.8以上，显示出良好的翻译性能。
2. 对训练中未见的语言的翻译结果
对于outllama语言组，许多语言的BLEU分数低于10，这表明Llama2模型不熟悉这些语言。然而，通过增加模型规模（例如从7B到13B），翻译能力有所提升。例如，对于南非荷兰语和加利西亚语，13B模型的BLEU分数平均提高了2.53，标准差为1.64。
此外，通过使用指令调优的聊天版本（chat versions）和增加样本数量（shot count），也能改善某些语言的翻译性能。
总体而言，模型规模对于提高翻译性能的影响最为显著，而使用聊天版本的Llama2和增加样本数量的影响则因语言而异。对于一些语言，如南非荷兰语和加利西亚语，即使是扩大模型规模，也只能获得不到1 BLEU分数的增益，而使用聊天模型或增加样本数量的效果也不明显。
模型规模与翻译能力：不同大小Llama2模型的比较
实验结果表明，增加模型参数可能比提示工程和微调更有效地提高翻译质量。具体来说，13B版本的Llama2在所有真正未见过的语言上都优于7B。
然而，并非每种语言都能从更大的模型中获得相同数量的收益。在最佳情况下，13B模型的平均BLEU分数提高了2.53，标准差为1.64。
此外，通过prompt工程在某些语言上也能增强效果，在伊博语和爪哇语上，分别提高了3.16和2.87分。而在他加禄语上，聊天模型的表现更差，BLEU分数下降了2.64。
增加样本数量通常会提高性能，尽管这种提升不如提升模型规模和提示工程那么显著，平均增加了0.47和0.08 BLEU分。
语言接近性分析：影响翻译质量的语言特征
1. 语言特征与翻译质量的相关性
在分析Llama2模型的翻译结果时，我们使用了URIEL语言学数据库中的特征向量来计算不同语言之间的距离，并探讨这些距离与机器翻译（MT）得分之间的相关性。我们发现，MT得分与语言的维基百科文章数量高度相关，BLEU得分的皮尔逊相关系数高达0.64，COMET-22得分的相关系数为0.55。
语法距离并不总是最重要的特征。BLEU和COMET-22得分与语法特征的相关性一致较强。然而，当仅考虑outllama语言时 ，翻译质量似乎更依赖于遗传和音韵距离，尽管它们的相关性是否为正或负通常不一致。
语法距离几乎与MT得分无关，除了挪威语和加泰罗尼亚语等特定语言，它们与两种MT指标始终显示出强烈的相关性。当考虑其他语系的语言时，与越南语、荷兰语、德语和法语的库存特征的接近性显示出与COMET-22得分的相关性。
2. 英语特征在翻译中的作用
待翻译语言与英文之间的相关性并不总是最重要的语法特征。
对于inllama语言时，与英语的语法接近性通常是影响翻译质量的最重要特征之一。
然而，当按语系（如日耳曼语、斯拉夫语和罗曼语）考虑语言时，尽管英语拥有最多的训练数据，英语往往不是第一位。在日耳曼语系中，与英语的语法接近性几乎没有相关性，而MT得分更多地与荷兰语、瑞典语、加泰罗尼亚语和保加利亚语的语法接近性相关。斯拉夫语系的MT得分通常与日耳曼语和罗曼语系的语法接近性相关，而不是英语。英语与斯拉夫语系的BLEU得分的相关性最低，为-0.22，与COMET-22得分无相关性。