背景技術(shù)：

1、近年來，大型語言模型(llm)，例如gpt系列、llama系列、glm系列等，在自然語言處理(nlp)領(lǐng)域取得了顯著進展，并成為了研究的熱點。這些模型通過海量文本數(shù)據(jù)的自監(jiān)督學(xué)習(xí)，展現(xiàn)出了驚人的語言理解和生成能力，同時也展現(xiàn)出了推動機器翻譯技術(shù)革新的巨大潛力。與傳統(tǒng)的神經(jīng)機器翻譯相比，wmt23中的通用機器翻譯任務(wù)結(jié)果顯示，基于llm的機器翻譯系統(tǒng)，在大多數(shù)翻譯子任務(wù)中都取得了領(lǐng)先地位。這些結(jié)果表明，基于llm的機器翻譯已經(jīng)成為了機器翻譯領(lǐng)域的一種新范式。然而，值得注意的是，盡管在wmt23中表現(xiàn)最好的是基于gpt-4的翻譯模型，但簡單的基于llm的直接翻譯系統(tǒng)仍存在許多問題。與傳統(tǒng)的神經(jīng)機器翻譯相比，基于llm的翻譯系統(tǒng)嚴(yán)重依賴于模型本身一次輸出的能力，因此在涉及低資源的機器翻譯任務(wù)上，其輸出的穩(wěn)定性較差。同時，它也天然存在著大模型本身的一些固有缺陷，缺乏可解釋性和復(fù)現(xiàn)性，以及存在幻覺等問題。因此，如何考慮結(jié)合二者的優(yōu)勢，生成一個高質(zhì)量的翻譯成了一個值得注意的問題。

2、本發(fā)明提出一種生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，利用通過部署多個生成式智能體，在多階段相互協(xié)作，共同完成多語言機器翻譯任務(wù)。同時，它充分考慮并最大化利用傳統(tǒng)機器翻譯的模型和結(jié)果，對基于llm的機器翻譯系統(tǒng)這一新翻譯范式進行有效約束，并提供翻譯信息增益。此外，通過多智能體結(jié)構(gòu)，該框架擴大了這種影響，連接了機器翻譯中傳統(tǒng)范式與新范式，提供了二者間的平衡點。并在此二者的基礎(chǔ)上，面對多語言機器翻譯任務(wù)上，使得模型性能達到了一個新的高度。

技術(shù)實現(xiàn)思路

1、本發(fā)明提出一種生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，以解決傳統(tǒng)多語言機器翻譯在低資源方面存在的翻譯質(zhì)量以及大語言模型在翻譯任務(wù)中潛力尚未得到充分挖掘的問題，本發(fā)明在相關(guān)數(shù)據(jù)集上取得了較好的實驗結(jié)果。

2、本發(fā)明的技術(shù)方案是：一種生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，所述方法的具體步驟如下：

3、step1、選取傳統(tǒng)多語言機器翻譯模型mrasp2作為基礎(chǔ)模型架構(gòu)之一，該模型適合多語言機器翻譯任務(wù)的需求，在選取后，對mrasp2模型進行效果測試和波束解碼生成。

4、step2、選取適合的大模型，如llama3.1-8b-instruct、gpt-4omini作為基礎(chǔ)模型架構(gòu)之一，該模型需要適合多語言機器翻譯任務(wù)的需求，在選取后，基于大模型對gmatranslate多智能體專家進行啟動。

5、step3、使用gmatranslate框架下的多語言翻譯專家，針對待翻譯目標(biāo)完成第一初步翻譯；

6、step4、使用gmatranslate框架下的信息專家，針對mrasp2波束解碼的結(jié)果進行信息總結(jié)，得到第二初步翻譯；

7、step5、使用gmatranslate框架下的審定專家和精煉專家，對初步翻譯1和初步翻譯2進行審定和精煉；

8、step6、使用gmatranslate框架下的選擇專家挑選出最符合源文本內(nèi)容、情感和意思的最終翻譯。

9、作為本發(fā)明的進一步方案，所述step1的具體步驟如下：

10、step1.1、獲取開源并已經(jīng)預(yù)訓(xùn)練好的多語言翻譯模型mrasp2，該模型具有十二層編碼端-解碼端的框架；

11、step1.2、針對待翻譯文本s，先進行token化處理，然后再進行二值化處理；

12、step1.3、將處理后的二值化數(shù)據(jù)作為mrasp2的輸入，并通過波束解碼生成關(guān)于s的n-best翻譯假設(shè)列表

13、作為本發(fā)明的進一步方案，所述step2的具體步驟如下：

14、step2.1、獲取開源的llama3.1-8b-instruct作為多智能體框架啟動的基底模型。

15、step2.2、通過vllm框架，在本地啟動llama3.1-8b-instruct，并接入gmatranslate框架中的各智能體中。

16、作為本發(fā)明的進一步方案，所述step3的具體步驟如下：

17、step3.1、gmatranslate框架中的多語言翻譯專家，接收待翻譯文本s和目標(biāo)語言代碼的信息作為輸入，完成第一初步翻譯t1。

18、step3.2、將第一初步翻譯t1作為輸出信息，傳遞給審定專家。

19、作為本發(fā)明的進一步方案，所述step4的具體步驟如下：

20、step4.1、將mrasp2生成的和待翻譯文本s作為信息專家的輸入，針對s的內(nèi)容、情感、風(fēng)格等多維度因素，對提供的翻譯假設(shè)進行多維度匹配總結(jié)，得到第二初步翻譯t2；

21、step4.2、將輸出信息第二初步翻譯t2傳遞給審定專家作為輸入。

22、作為本發(fā)明的進一步方案，所述step5的具體步驟如下：

23、step5.1、審定專家接受第一初步翻譯t1和第二初步翻譯t2以及待翻譯文本s作為輸入，然后對t1和t2進行多維度的mqm審定，得到審定結(jié)果r1和r2作為輸出；

24、step5.2、精煉專家，接受兩組信息(t1，r1)和(t2，r2)作為輸入，針對r1和r2的情況，對t1和t2進行修改，得到兩個精煉結(jié)果ref1和ref2作為輸出。

25、作為本發(fā)明的進一步方案，所述step6的具體步驟如下：

26、step6.1、選擇專家接受ref1、ref2和s作為輸入，然后通過二次多維度比較ref1、ref2和s的接近程度，選擇出最符合的結(jié)果tsec作為輸出。

27、本發(fā)明的有益效果是：

28、1、本發(fā)明實現(xiàn)多語言機器翻譯領(lǐng)域中新舊范式橋接，充分利用了二者的優(yōu)點，提升了翻譯性能；

29、2、本發(fā)明針對多語言中的高資源和低資源語料進行了大量測試，大大改善了基礎(chǔ)模型的低質(zhì)量翻譯；

30、3、本發(fā)明針對不同基底模型、不同語言的測試，證明了本發(fā)明的有效性和通用性；

31、4、本發(fā)明提出的方法在廣泛的多語言測試中，翻譯的準(zhǔn)確性以及語義接近程度，相較于原模型得到較大提高。

技術(shù)特征：

1.一種生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，其特征在于：所述方法的具體步驟如下：

2.根據(jù)權(quán)利要求1所述的生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，其特征在于：所述step1的具體步驟如下：

3.根據(jù)權(quán)利要求1所述的生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，其特征在于：所述step2中選取大模型為llama3.1-8b-instruct、gpt-4omini。

4.根據(jù)權(quán)利要求1所述的生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，其特征在于：所述step2的具體步驟包括如下：

5.根據(jù)權(quán)利要求1所述的生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，其特征在于：所述step3的具體步驟包括如下：

6.根據(jù)權(quán)利要求1所述的生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，其特征在于：所述step4的具體步驟包括如下：

7.根據(jù)權(quán)利要求1所述的生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，其特征在于：所述step5的具體步驟包括如下：

8.根據(jù)權(quán)利要求7所述的生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，其特征在于：所述step6的具體步驟如下：

技術(shù)總結(jié)
本發(fā)明涉及一種生成式多智能體的多階段協(xié)同完成多語言機器翻譯方法，屬自然語言處理領(lǐng)域。具體而言，本發(fā)明首先利用傳統(tǒng)的多語言機器翻譯模型進行波束解碼，形成N?best翻譯假設(shè)列表。然后，把N?best假設(shè)列表和大語言模型的翻譯，通過多智能體銜接，完成多階段的精煉、校訂、選擇，達到提升翻譯的準(zhǔn)確性和可靠性。本發(fā)明通過多智能體架構(gòu)，結(jié)合了傳統(tǒng)的多語言翻譯模型和大模型的優(yōu)點，通過充分挖掘二者的潛力，在各個語言對上進行廣泛的實驗，結(jié)果證明本發(fā)明在各語言對上的翻譯效果達到了領(lǐng)先水平，并有良好的通用性。

技術(shù)研發(fā)人員：余正濤,蘇聰,高盛祥
受保護的技術(shù)使用者：昆明理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2