研究：网络充斥低质机翻内容，大语言模型训练需警惕数据陷阱

gythy1978

IT之家 2 月 4 日消息，AMAZON云计算人工智能实验室的研究人员发现，网络上大量内容来自机器翻译 (MT) 生成，这些跨越多种语言的翻译内容质量普遍较低。研究团队强调，这凸显了在训练大型语言模型 (LLM) 时，数据质量和来源考量的重要性。


图源 Pexels

研究还发现，机器生成内容在资源较少语言的翻译中很普遍，并占网络内容的很大一部分。

IT之家注意到，研究团队开发了名为多维 cc 矩阵 (MWccMatrix) 的庞大资源，以更好地理解机器翻译内容的特征。该资源包含 90 种语言中 64 亿个独特的句子，并包括翻译元组，即相互翻译的一组句子。

这项研究发现大量网络内容通常被翻译成多种语言，主要通过机器翻译完成。这种内容不仅在资源较少语言的翻译中普遍存在，而且在这些语言的所有网络内容中也占很大一部分。

研究人员还注意到，出于广告收入等目的，被翻译成多种语言的内容存在选择性偏差。

论文的结论是：“机器翻译技术在过去十年里取得了显著进步，但仍达不到人类质量水平。多年来，使用当时可用的机器翻译系统将机器翻译内容添加到网络上，因此网络上大部分机器翻译内容按照现代标准可能质量很低。这可能会导致 LLM 模型产生更多‘幻觉’ ，而选择偏差表明即使不考虑机器翻译错误，数据质量也可能较低。数据质量对于 LLM 训练至关重要，其中高质量的语料库，如书籍和维基百科文章，通常会进行多次向上采样。”