研究：LLM 做机器翻译质量标注仍不可靠
原文标题：Large Language Models for Machine Translation Quality Annotation: Humans and Models Are Both Challenged
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文在 70 个语对的长上下文测试集及 WMT23/WMT25 数据上，评估 LLM 在 MQM 与 ESA 两种机器翻译质量评估方案中与人类标注者的一致性。结果显示 LLM 与人类一致性在部分任务上超过人类之间的一致性，但跨方案、语对与领域波动很大，多数场景仍不可靠；人类在细粒度 MQM 与低资源语对上吃力，LLM 则难以识别轻微错误、错误语言变体与错误跨度标注。
- 问题
- LLM 能否可靠替代人类做机器翻译质量评估尚未在多语对、多方案下充分验证。
- 方法
- 在 70 个语对的长上下文测试集及 WMT23/WMT25 上，比较 LLM 与人类在 MQM 和 ESA 两种方案下的评分与错误跨度标注一致性。
- 结果
- 部分任务 LLM 与人类一致性超过人类之间一致性，但跨方案、语对与领域波动大，多数场景仍不可靠
- 影响
- 提示把 LLM 当翻译质量裁判需按语对和方案谨慎验证，不能直接替换人工评估。
深读 · 结论先行AI 生成展开看要点与影响 ↓
70 语对测试显示 LLM 做机器翻译质量标注多数场景仍不可靠，跨方案与语对波动大。
- •在 70 个语对的长上下文测试集及 WMT23/WMT25 数据上评估 MQM 与 ESA 两种方案
- •部分任务上 LLM 与人类的一致性超过人类之间的一致性，但跨方案、语对、领域波动很大
- •人类标注者吃力于细粒度 MQM 与低资源语对
- •LLM 难以识别轻微错误、错误语言变体和错误跨度标注
为什么重要：直接关系到能否用 LLM 替代人工做 MT 评测，结论是多数设置下尚不可靠，需按方案和语对分别验证。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。