Neue Trends in der modernen maschinellen Übersetzung mit großen Reasoning-Modellen

New Trends for Modern Machine Translation with Large Reasoning Models

March 13, 2025

Autoren: Sinuo Liu, Chenyang Lyu, Minghao Wu, Longyue Wang, Weihua Luo, Kaifu Zhang

cs.AI

Zusammenfassung

Jüngste Fortschritte bei Large Reasoning Models (LRMs), insbesondere solchen, die Chain-of-Thought-Reasoning (CoT) nutzen, haben völlig neue Möglichkeiten für die maschinelle Übersetzung (MT) eröffnet. Dieses Positionspapier argumentiert, dass LRMs sowohl traditionelle neuronale MT als auch LLM-basierte MT-Paradigmen grundlegend verändert haben, indem sie Übersetzung als eine dynamische Denkaufgabe neu definieren, die kontextuelles, kulturelles und sprachliches Verständnis und Schlussfolgerungen erfordert. Wir identifizieren drei grundlegende Verschiebungen: 1) kontextuelle Kohärenz, bei der LRMs Mehrdeutigkeiten auflösen und Diskursstrukturen durch explizites Schlussfolgern über satzübergreifende und komplexe Kontexte oder sogar Kontextmangel bewahren; 2) kulturelle Intentionalität, die es Modellen ermöglicht, Ausgaben anzupassen, indem sie Sprecherabsicht, Publikumserwartungen und soziolinguistische Normen ableiten; 3) Selbstreflexion, bei der LRMs während der Inferenzzeit Selbstreflexion durchführen können, um potenzielle Fehler in der Übersetzung, insbesondere in extrem verrauschten Fällen, zu korrigieren, was eine bessere Robustheit im Vergleich zur einfachen X->Y-Übersetzung zeigt. Wir untersuchen verschiedene Übersetzungsszenarien, darunter stilistische Übersetzung, dokumentenbasierte Übersetzung und multimodale Übersetzung, indem wir empirische Beispiele vorstellen, die die Überlegenheit von LRMs in der Übersetzung demonstrieren. Wir identifizieren auch mehrere interessante Phänomene für LRMs in der MT, wie z.B. Auto-Pivot-Übersetzung, sowie kritische Herausforderungen wie Überlokalisierung in der Übersetzung und Inferenzeffizienz. Abschließend denken wir, dass LRMs Übersetzungssysteme nicht nur als Textkonverter, sondern als mehrsprachige kognitive Agenten neu definieren, die in der Lage sind, über die Bedeutung jenseits des Textes nachzudenken. Dieser Paradigmenwechsel erinnert uns daran, Probleme in der Übersetzung über traditionelle Übersetzungsszenarien hinaus in einem viel breiteren Kontext mit LRMs zu betrachten – was wir damit erreichen können.

English

Recent advances in Large Reasoning Models (LRMs), particularly those leveraging Chain-of-Thought reasoning (CoT), have opened brand new possibility for Machine Translation (MT). This position paper argues that LRMs substantially transformed traditional neural MT as well as LLMs-based MT paradigms by reframing translation as a dynamic reasoning task that requires contextual, cultural, and linguistic understanding and reasoning. We identify three foundational shifts: 1) contextual coherence, where LRMs resolve ambiguities and preserve discourse structure through explicit reasoning over cross-sentence and complex context or even lack of context; 2) cultural intentionality, enabling models to adapt outputs by inferring speaker intent, audience expectations, and socio-linguistic norms; 3) self-reflection, LRMs can perform self-reflection during the inference time to correct the potential errors in translation especially extremely noisy cases, showing better robustness compared to simply mapping X->Y translation. We explore various scenarios in translation including stylized translation, document-level translation and multimodal translation by showcasing empirical examples that demonstrate the superiority of LRMs in translation. We also identify several interesting phenomenons for LRMs for MT including auto-pivot translation as well as the critical challenges such as over-localisation in translation and inference efficiency. In conclusion, we think that LRMs redefine translation systems not merely as text converters but as multilingual cognitive agents capable of reasoning about meaning beyond the text. This paradigm shift reminds us to think of problems in translation beyond traditional translation scenarios in a much broader context with LRMs - what we can achieve on top of it.