TQLite: Distillazione con Giuria Multi-LLM per una Valutazione Efficiente della Qualità della Traduzione MQM
Un recente preprint su arXiv (2608.02975) presenta TQLite, un framework di distillazione che consente ai piccoli modelli linguistici (SLM) di avvicinarsi quasi alle prestazioni dei grandi modelli di ragionamento (LRM) nelle valutazioni della qualità della traduzione (TQ) basate su MQM. La ricerca valuta SLM, LLM e LRM in diverse configurazioni di valutazione TQ, delineando le pratiche ottimali. TQLite utilizza una giuria multi-LRM per produrre dati di addestramento sintetici di alta qualità attraverso efficaci strategie di cura dei dati, affrontando i problemi di scalabilità associati all'uso di LLM e LRM ad alta intensità di risorse. Questo lavoro è cruciale per migliorare l'efficienza e l'accessibilità delle valutazioni avanzate della qualità della traduzione.
Fatti principali
- arXiv:2608.02975v1
- Tipo di annuncio: cross
- I grandi modelli linguistici (LLM) mostrano prestazioni impressionanti nella valutazione della qualità della traduzione basata su MQM
- I grandi modelli di ragionamento (LRM) promettono ulteriori miglioramenti
- LLM e LRM sono computazionalmente costosi da implementare su larga scala
- I piccoli modelli linguistici (SLM) sono più efficienti ma hanno difficoltà con il ragionamento complesso
- Un ampio studio empirico confronta SLM, LLM e LRM in diverse configurazioni di valutazione TQ
- TQLite è un nuovo framework di distillazione
- TQLite consente agli SLM di avvicinarsi alle prestazioni di valutazione MQM dei migliori valutatori basati su LRM
- L'approccio utilizza una giuria multi-LRM per generare dati di addestramento sintetici di alta qualità
- Vengono utilizzate tecniche pratiche di cura dei dati
Entità
Istituzioni
- arXiv