Apple 研究：LLM 做翻译质量评估，人类和模型都力不从心
Apple ML Research · rss · 2026-10-12
Apple ML Research 发布论文，系统评估 LLM 作为机器翻译（MT）质量评估工具的可靠性。研究覆盖两大主流评估方案：Multidimensional Quality Metrics（MQM）与 Error Span Annotation（ESA），对比 LLM 与人类标注者在多语言对、多领域、多标注粒度下的一致性。
核心发现是「人类和模型都面临挑战」：LLM 虽被视为比人工评审更高效低成本的选择，但在不同语言对、领域和粒度维度上的表现并不稳定，直接替代人工评估前需更全面的验证。
「研究」频道最新
- 仅 1 克！无线微型显微镜实现自由活动小鼠全皮层单细胞成像 — KordingLab · 2026-10-23
- Mike Frank 抛出超导可逆计算难题:能否用无偏置约瑟夫森结凑齐 BARCS 通用原语集 — MikePFrank · 2026-10-23
- Arc Institute 用基因组语言模型绘制原核非编码序列图谱 — tedgreenwald · 2026-10-23
- 同行评审的 AI 化：审稿人终于「进入附录」了 — abursuc · 2026-10-23
- Anthropic 用 Claude 为 100+ 开源库写下汇编级安全形式化证明 — AnthropicAI · 2026-10-23
- 研究提出 9 种策略为多 LLM 协作选模型，最优可超随机 36.1% — shangbinfeng · 2026-10-23