💬 NLP

Beyond "To whom it may concern": Tailoring Machine Translation to Audience and Intent

本文通过一项系统性评估表明，明确指定交际意图能显著提升跨多种语言和领域的机器翻译质量，其表现优于传统的上下文方法，并揭示了当前指标在衡量此类目的驱动型适配方面的不足。

原作者： Raphael Merx, Ekaterina Vylomova, Trevor Cohn

发布于 2026-06-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Raphael Merx, Ekaterina Vylomova, Trevor Cohn

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你是一名专业的翻译。如果有人请你翻译“Excuse me”这个短语，你会怎么做？

如果你是在短信里和最好的朋友聊天，你可能会说：“嘿，抱歉！”（Hey, sorry!）
如果你是在一个正式的商务会议上，你可能会说：“请原谅。”（Pardon me.）
如果你是在和一个爱开玩笑的损友斗嘴，你可能会说：“噢，我的错，好吧。”（Oh, my bad, I guess.）

意思是一样的，但**氛围（vibe）**完全不同。

长期以来，计算机翻译系统（机器翻译）就像是一个只会一种说话方式的机器人：那种“正式商务会议”式的说话方式。它并不在乎你是在给朋友发短信还是在写小说；它只是机械地按照一套单一、僵化的规则手册将英语转换成另一种语言。

这篇题为**《超越“致相关人士”（Beyond "To whom it may not concern"）》**的论文提出了一个简单的问题：现代 AI 翻译器真的能听懂我们关于“如何翻译”的要求吗？

以下是研究人员发现的内容，我们使用了一些日常类比来进行说明。

1. “指令”的魔力

研究人员测试了是否可以在 AI 开始翻译之前给它一个“简报”。他们不再只是说“翻译这句话”，而是添加了一个备注，例如：“将这句话翻译成两个女性朋友之间随意的短信，且带有讽刺意味。”

结果： 这效果简直像魔法一样。当 AI 收到这些指令时，翻译变得更加自然，并且更符合情境。
难点： AI 的“大脑”越大（模型规模越大），它遵循指令的效果就越好。一个微小的 AI（4B 参数）有时会感到困惑并崩溃，但大的模型（27B 和 31B）在调整语气方面表现得非常出色。
甜点区（最佳平衡点）： 指令对于非正式内容（如社交媒体帖子和聊天）帮助最大。对于正式的新闻文章，AI 本身就已经做得相当好了，所以指令并没有改变太多东西。

2. “展示，不要只说” vs. “直接告诉我”之争

研究人员想知道：是向 AI 展示翻译示例（比如给它看几篇样本文本）更好，还是仅仅用文字告诉它要做什么？

类比： 想象你在教一名学生做饭。
- 少样本学习（展示）： 你给他们三张完美煎饼的照片，并说：“做得像这样。”
- 指令（告知）： 你说：“把这些煎饼做得蓬松香甜，但不要烤焦了。”
结果： 告诉 AI 该做什么（指令）赢了。 给它例子并没有像给出关于语气和受众的清晰书面指令那样有效。当明确告知其“氛围”时，AI 对氛围的理解得更好。

3. “旧尺子”问题

这里有一个有趣的转折：研究人员尝试使用科学家用来评分翻译的标准“尺子”（指标），结果这些尺子失效了。

类比： 想象一位老师在批改学生的诗歌。老师使用一份清单，只计算有多少单词与字典定义相匹配。如果学生写了一首充满幽默感和俚语的诗，捕捉到了原作的神韵，老师却会因为他们没有使用“正确”的字典词汇而给他们低分。
结果： 当 AI 使用指令使翻译变得更随意、更有趣时，旧的计算机指标反而给了它更低的分数。它们认为翻译变“差”了，因为看起来不像那种死板、正式的参考译文。研究人员不得不发明一种新的评分方式（使用另一个 AI 作为评委），这种方式能够理解为什么在目标是“幽默”时，“有趣”是一件好事。

4. “自我指令”的小技巧

在现实世界中，用户并不总是会花时间写下像“让这听起来像一部 1920 年代的侦探小说”这样详细的指令。通常，他们只是粘贴一段文字。

问题： AI 能否观察周围的文本，自己找出氛围，然后进行翻译？
结果： 可以。 研究人员教会了 AI 先阅读整个段落，写下自己的小指令备注（例如：“这是一个童话故事，使用简单的词汇”），然后再翻译句子。
魔力： 这种“自我指令”技巧找回了大约 80% 由人类编写完美指令所带来的收益。这就像 AI 在进入派对前先观察环境，并调整一下自己的领带，即使没有人提醒它这样做。

5. “小脑”的挣扎

这里有一个警告。当他们尝试在处理困难语言（如爪哇语或乌克兰语）时使用最小的 AI 模型时，指令有时会导致 AI 崩溃。这就像给一个蹒跚学步的孩子一套复杂的指令；他们会感到不知所措，甚至忘了怎么走路。

解决方法： 他们找到了一种方法，利用一个大 AI 作为老师来“训练”这个小 AI。这解决了崩溃问题，让小 AI 能够在不“坏掉”的情况下遵循指令。

核心结论

论文总结道，翻译不仅仅是交换单词；它关乎目的。

旧方式： “翻译这个。”（一刀切）。
新方式： “为特定的人，以特定的情绪，翻译这个。”

研究人员证明了现代 AI 可以做到这一点，但我们需要停止使用那些惩罚创造力的旧评分系统，转而使用新的方式来衡量翻译是否真正契合情境。他们还表明，如果你没有人类来编写指令，AI 通常可以通过观察上下文来为自己编写指令。

技术摘要：超越“致相关人士”：针对受众与意图定制机器翻译

问题陈述

传统的机器翻译（MT）系统及其评估指标将翻译视为从源语言到目标语言的固定映射，旨在优化针对单一“正确”参考文本的语义充分性。正如目的论（Skopos theory）所言，这种方法忽略了翻译质量相对于其用途的现实情况。同一个源文本根据预期的受众、语气、语体和交际意图（例如，将“Excuse me”翻译为正式的道歉还是随意的打断），可能需要截然不同的翻译。虽然大语言模型（LLMs）在理论上允许用户通过提示词指定这些上下文参数，但目前尚不清楚当前的模型是否能够系统地利用此类规范，在不同语言、模型规模和领域中生成符合目的的适配翻译。此外，现有的上下文感知机器翻译研究范围有限，通常仅关注单一语种对或如正式度等狭窄现象，且传统的基于参考文本的指标（如 COMET、ChrF）可能无法捕捉甚至会惩罚成功的风格适配。

方法论

作者引入了一个用于目的驱动型机器翻译的系统化评估框架，该框架以源文本和描述预期目的的自然语言指令为条件进行翻译。

数据集与范围： 本研究在 50 多种语言、5 种模型规模（Gemma-3-4B/12B/27B, Gemma-4-31B, 以及 Qwen3.5-27B）和 8 个文本领域进行性能评估。主要基准是 BOUQuET（每种语言 504 个实例），并辅以 WMT24++（每种语言 997 个实例）进行验证。评估重点是英语到目标语言的翻译。
指令生成： 对于 BOUQuET，指令由 LLM（Gemini 3 Flash）根据元数据（领域、语体、上下文注释）起草，并由人工进行修订。这些指令明确了目标受众、语气和目的。
实验条件： 研究对比了四种翻译条件：
1. 基线（Baseline）： 句子级翻译，使用固定的 3-shot 提示词，无指令。
2. 指令（Instructions）： 在基线提示词基础上增加了用户的特定指令。
3. 少样本（Few-Shot）： 在基线提示词基础上增加了从留出集中检索到的 5 个语义相似的翻译对。
4. 段落（Paragraph）： 提供完整的源文本段落作为上下文（带有目标句子的标记或作为编号列表）。
评估指标：
- 翻译评分（Translation Rating）： 一个 0–100 分的评分，用于衡量意义保留程度，遵循错误跨度标注（ESA）协议。
- 适配度（Adaptedness）： 一种新型的 0–100 分评分，用于衡量翻译与指令预期目的（语气、语体、受众）的匹配程度。
- LLM-as-Judge： 一种使用 LLM（Gemini-3-Flash）进行无参考评估的流水线，用于为上述两个指标评分，并经过人类母语者的标注进行验证。
- 传统指标： 使用 XCOMET-XL 和 ChrF++ 来对标标准的机器翻译评估。

核心贡献与结果

1. 指令显著提升了适配度
显式的用户指令显著增强了翻译的“适配度”。

规模效应： 适配度的增益随模型规模扩大而增加。较大的模型（12B, 27B, 31B）表现出持续的改进（例如，适配度提升了 10.2 到 17.8 点），而较小的模型（4B）表现不一，在添加指令后有时会出现严重失败（如错误的语言或无法翻译），尤其是在低资源语言中。
领域敏感性： 指令带来的收益在非正式领域（对话、社交媒体）最为显著，适配度增益达到 +16.5 至 +26.1 点。在正式领域（新闻、操作指南）增益较小。
语言资源水平： 高资源语言从指令中获益更多。此外，“语体丰富型”语言（具有语法化社会区分的语言，如日语、阿拉伯语）表现出最大的增益。

2. 指令优于其他上下文方法
显式指令优于语义少样本示例和段落级上下文。

对比少样本（Few-Shot）： 指令产生的适配度增益显著高于语义匹配的少样本示例（例如，对于 12B 模型，增益分别为 +11.1 和 +2.9）。
对比段落上下文（Paragraph Context）： 提供原始段落上下文往往无法提高适配度，甚至会导致翻译质量下降（负向变化），对于参数量 $\le$ 27B 的模型而言如此。显式指令是实现适配最可靠的方法。

3. 传统指标无法捕捉适配性
LLM-as-judge 分数与传统指标之间存在显著分歧。

当加入指令时，LLM-as-judge 的适配度得分上升，但 XCOMET-XL 和 ChrF++ 的得分往往下降。
这种分歧集中在非正式领域（分歧率 21–50%），表明传统指标会惩罚必要的风格转变（例如，使文本更口语化），因为它们依赖的参考翻译可能过于正式或缺乏请求中的特定风格细微差别。

4. 从文档上下文进行自我指令生成
当缺乏精选指令时，模型可以从周围的文档上下文中生成自己的指令。

有效性： 自我生成的指令可以弥补高达 80% 的与精选金标准指令之间的适配度差距（例如，Gemma-3-27B 为 71%，Gemma-4-31B 为 80%）。
机制： 这种方法将潜在有害的原始段落上下文（直接输入时可能导致适配度下降 -2.3 到 -10.6 点）转化为有益的简报。模型有效地“猜测”了上下文和语气，恢复了大部分人工编写简报带来的收益。

5. 缓解小模型的失败问题
对于低资源语言的小型模型（4B），指令可能会触发灾难性失败（例如，爪哇语的失败率为 45.5%）。作者证明，通过从大型教师模型（27B）进行 LoRA 蒸馏的参数高效微调（PEFT），可以几乎消除这些严重失败（将失败率降至约 4.0%），同时保留对指令的适配能力。

重要性与主张

本文确立了目的适配型机器翻译是当前 LLM 一种可行且可衡量的能力。作者认为：

评估范式转移： 翻译评估必须超越静态的、基于参考文本的指标，转向包含目的感知指标（如适配度）的评估，以考虑受众和意图。
实际部署： 对于参数量 $\ge$ 12B 的模型，添加用户指令是提高翻译质量（尤其是非正式内容）的可靠机制。
自主适配： 当缺乏显式用户指令时，具备能力的模型可以从文档上下文中自我生成有效的指令，为不需要人工编写简报的文档级机器翻译提供了一条实用的路径。
局限性： 作者指出，其发现是基于特定的模型家族（Gemma, Qwen），且在较小的模型中，“指令遵循”能力会与多语言生成能力产生竞争，因此需要通过蒸馏等技术来稳定性能。

研究结论认为，尽管 LLM 开启了新的迭代式翻译能力，但要实现其全部潜力，需要能够衡量这些适应性特征的评估框架，从而推动该领域向以用户为中心的范式转变。