引导大语言模型实现机器翻译个性化

基于大型语言模型 (LLMs) 的高质量机器翻译系统简化了生成反映特定风格约束的个性化翻译过程。然而，这些系统在风格要求不够明确且可能难以通过提示传达的场景中仍然存在困难。我们探索了在低资源环境下个性化 LLM 生成翻译的各种策略，重点关注具有挑战性的文学翻译领域。我们研究了提示策略和推理时干预，以引导模型生成朝向个性化风格，并提出了一个对比框架，利用从稀疏自编码器中提取的潜在概念来识别显著的个性化属性。我们的结果表明，这种引导方法在保持翻译质量的同时实现了强大的个性化效果。我们进一步考察了引导对 LLM 表示的影响，发现对个性化有相关影响的模型层受到多轮提示和我们引导方法的影响相似，这表明存在类似的机制。