深入分析 GPTs 在机器翻译中的上下文学习[译]

摘要

最近，人们在使用如 GPT-3 这样的大语言模型进行机器翻译时，主要关注如何选择少量的示例进行提示。在这项研究中，我们对一些高质量的示例进行了微调，来深入探讨在实际翻译中，这些示例是如何起作用的。我们的发现是，当我们对输入和输出进行不同的微调时，会得到非常不同的翻译效果。特别是，改变输入部分对翻译的影响非常小，但是改变输出部分可能会大大降低翻译的质量。这意味着，翻译的输出内容是决定翻译质量的关键因素。基于这一发现，我们提出了一种新方法，叫做 Zero-Shot-Context，它可以在没有任何示例的情况下，自动提高翻译的质量。我们的实验结果显示，使用这种方法，GPT-3 的翻译效果得到了明显的提升，甚至可以与有示例提示的翻译相媲美。

1 引言

近期，学界对于大语言模型 (LLMs) 的示范准确性在引导过程中的重要性提出质疑 (Min et al., 2022)。有研究指出，LLMs 的实际应用潜力可能远超我们现在所观察到的 (Min et al., 2022; Kojima et al., 2022)。要最大化这一潜力，我们需要更好地理解示范的各个属性对任务性能的影响，并模拟这种学习环境。本研究主要关注了如何通过上下文学习来提高机器翻译 (MT) 的质量。我们并不是要找出最佳的学习示例，这一话题已经被深入探讨，并为 LLMs 提供了更好的翻译建议 (Vilar et al., 2022; Agrawal et al., 2022)。我们的主要贡献有：

1. 我们深入研究了 GPT 系列 LLMs 中的示范属性，尤其关注了输入与输出之间的关系。研究结果显示，目标文本的内容对学习过程影响最大，而原始文本则影响较小。

2. 基于以上发现，我们提出了一种新方法 Zero-ShotContext 提示，能够更高效地提供学习信号，而不依赖于传统的输入 – 输出示例。这种方法极大提升了 GPT-3 的性能，使其能够与其他方法相媲美。

2 相关研究

我们的研究涉及到两个主要方向：LLMs 的翻译提示技术以及上下文学习的分析。下面，我们将深入探讨这两个方向的相关研究。

LLM 在机器翻译中的提示：LLM 在少量示例提示的情况下，已经达到了与最前沿技术相媲美的翻译效果 (Hendy et al., 2023; Lin et al., 2022)。在机器翻译的提示技术中，大部分研究都集中于选择哪些实例作为提示的示例。Vilar 等人 (2022) 对 PaLM 进行了实验 (Chowdhery et al., 2022)，发现示例的质量是影响少量示例提示效果的关键。Agrawal 等人 (2022) 对 XGLM 进行了研究 (Lin et al., 2021)，得出了翻译的质量和示例的领域都至关重要。与此不同，我们的研究目标是探索如何改变高质量、领域相关的示例，以更好地理解示例属性在翻译中的上下文学习效果。

表 1：我们对四种不同的扰动方式进行了研究。这些扰动方式主要应用在抽象的源 – 目标示例序列上。有趣的是，尽管 “Jumbled Source” 和 “Jumbled Target” 都对源 – 目标的关系产生了影响，但它们在实际的学习过程中产生的效果是不同的。

探索上下文学习：对上下文学习进行深入探索是目前的研究热点 (Xie et al., 2021; von Oswald et al., 2022; Akyürek et al., 2022; Dai et al., 2022)。Min 等人 (2022) 提到，在开放式分类任务中，示例中的标签准确性并不那么重要，但 Yoo 等人 (2022) 指出否定的标签确实很关键。与此同时，我们的实验在任务选择和示例扰动方式上与上述研究有所不同，我们专注于翻译这一任务，它有着复杂的输出空间，并探索了不同的示例扰动方法。

3 为何示范很重要

当我们要求 LLMs 完成特定任务时，它们会根据示范（与任务相关的示例）和测试输入来给出答案。我们的观点与 Min 等人 (2022) 保持一致，认为翻译任务的示范有四个重要方面：输入与输出的关系、输入的内容、输出的内容以及格式。为了更好地理解这些，我们研究了如 GPT3 这样的 LLMs 在翻译时如何使用示范。我们对示范的内容、输出内容以及它们之间的关系进行了对比。

模型：我们主要关注 text-davinci-002，这是当前公认的最强大的 LLM 模型 (Liang 等，2022)。同时，我们也探讨了其他几个版本，如 text-davinci-001、text-curie-001 以及较新的 text-davinci-003。

数据来源：我们选择了 WMT’21 的新闻翻译数据 (Barrault 等，2021) 进行实验，涵盖了英德、德英、英俄和俄英四种语言组合。在这些实验中，text-davinci-002 的表现与 WMT-21 的最佳模型相当 (Tran 等，2021)，只需要八个示范。在 Table 2 中，我们列出了两种模型在 8 个示范的测试结果，而在每个测试集中，我们都选择了 100 个样本来进行特别的实验。

表 2：在 WMT-21 的测试集上，我们对 COMET-QE 的得分进行了评估。无论是 WMT-21 获胜的系统（由 Tran 等人于 2021 年提出）还是 GPT，其翻译都是通过一种叫做贪婪解码的方法获得的。

如何提示：Vilar 等人 (2022) 认为，对于少数提示的翻译任务，格式选择并不重要。因此，我们采用了一个常用的格式，即 [Source]：ABC (n) [Target]：DEF，其中 Source 和 Target 分别代表不同的语言。同时，我们还选取了一些高质量的示范对，这些示范对都来自于开发数据集。

评估方式：为了避免在评估时受到参考资料的偏见影响，我们使用了一种先进的评估方法 COMET-QE，这种方法被证明在评估翻译质量时非常有效。但这个方法有个小问题，如果翻译的内容和原文是同一种语言，它会认为翻译是正确的。为了解决这个问题，我们使用了一个工具来检测翻译的语言，如果翻译和原文是同一种语言，我们就认为这个翻译是错误的。

实验 1：我们对原文进行了四种修改，并看看这些修改会对翻译产生什么影响。我们把原文和翻译的对应关系打乱、把原文的词序打乱、把翻译的词序打乱、以及把翻译的词序完全反过来。

图 1：对 WMT-21 英德测试集进行的扰动实验。发现源语言和目标语言的扰动影响是不对称的，尽管两种情况下的输入 – 输出关系都受到很大的影响。

实验结果：我们发现，打乱原文和翻译的对应关系，以及打乱翻译的词序，都会对翻译质量产生很大的影响。尤其是打乱翻译的词序，这种影响随着我们修改的次数增加而增大。但是，如果只是打乱原文的词序，对翻译的质量几乎没有影响。

实验 2：我们又做了一个类似的实验，但这次我们用了四种不同的语言对。

图 2：在 WMT’21 的多种语言组合中，针对 text-davinci-002 进行的扰动实验，实验在 k=8 的少量提示下进行。结果显示，无论是哪种语言组合，源和目标的扰动效应都表现出不对称性。

实验结果：我们发现，不同的语言对对翻译质量的影响趋势都是类似的。打乱原文的词序对翻译的影响很小，但打乱翻译的词序会大大降低翻译质量。

实验 3：我们再次进行了实验，这次固定 En-De 语言对，但更改了模型。在图 3 中，我们选择了 GPT 系列中的其他三个模型，即 textcurie-001、text-davinci-002 和 text-davinci-003，进行了实验。

结果展示：不同的模型中，JS 和 JT 对翻译效果的影响是不均衡的，这与之前的实验结果相吻合。

深入分析：与 Min 等人在 2022 年的研究相比，他们认为输入和输出之间的随机关系会带来更好的效果，而我们的发现则不同。我们注意到，根据不同的干扰类型，翻译效果可能大相径庭。为了解释这一现象，我们推测这种差异可能是因为翻译中的搜索过程更为复杂，需要更明确的输出指导。

图 3：在 WMT-21 英德测试集中，针对不同的 GPT-3 模型进行的扰动实验。实验结果显示，不同模型中的源和目标扰动效应都表现出不对称性，这意味着 in-context 学习机制具有这一固有特性。

此外，图 2 & 3 的数据还表明，源和目标之间的关系在示例中也很关键，这与以前的研究结果一致。但我们发现，即使是源词的顺序对于翻译来说也不是那么重要，这意味着只需要大致上的输入文本模式就能有效地学习。

普及性分析：我们还测试了 GPT 系列中的两个新模型 gpt-3.5-turbo-instruct 和 gpt-3.5-turbo-instruct-0914。无论是哪种评估方式，我们的研究结果都相当稳健。

研究意义：我们的研究表明，在翻译学习中，输出数据可能是最关键的部分。这也为未来的研究指明了方向，即目标数据可能比原始数据更有研究价值。对于这些问题，我们期待未来的进一步探讨。

4 针对翻译的无监督学习

我们之前提到，当涉及到上下文学习翻译时，输出文本的分布是最重要的。在这里，我们要分享一个特别的方法，可以在没有任何前置条件的情况下进行学习。这次的实验和第 3 部分恰好相反：我们在这里加入了有助于无监督学习的信号，而不是像之前那样移除。我们介绍了一个叫作“无监督背景”的新技巧，它让 GPT-3 的无监督学习效果有了显著的提升，与少示例学习的效果相当。当然，这只是无监督学习中的一种尝试，未来可能会有更多方法来提高效果，例如更针对性地进行翻译任务调整。但现在，我们主要关注这个新的尝试和它的效果。

图 4：Zero-Shot-Context 的设计图：这一设计可以自动为 LLM 提供关于输出文本特性的学习信息，仿真了最为关键的演示特点。

新方法简介：我们推出了一个全新的方法，叫做 Zero-Shot-Context（图 4），它可以自动地从 LLM 中获取学习信号，并利用这个信号进行翻译。

表 3：在 WMT-21 的英 – 德测试中，我们发现 “Zero-Shot-Context” 相对于传统的 “ZeroShot” 翻译表现得更好，其质量得分甚至提高了 5 个 QE 点。

表 4：在 WMT-21 的英 – 俄测试中，”Zero-Shot-Context” 不仅明显优于 “ZeroShot”，甚至还能与少数的优秀翻译相媲美。

实验数据：我们在表 3 里展示了与传统方法的比较，包括无监督提示和少示例提示（k=1, 2, 4），这些数据都是从开发集中选取的高品质样本。从 En-De WMT-21 的测试数据和 text-davinci-002 的对比中可以看出，Zero-Shot-Context 显著提高了翻译的质量，这一点从 COMETQE (CQE) 的评分中可以得到证实。但要注意，传统的 BLEU 和 ChrF 评估方法并没有显示出这一点，这也是文献中所提到的一些评估方法的局限性 (Freitag 等，2022)。而表 4 则是在 WMT-21 En-Ru 测试集上的数据对比。

关于无需预先学习的背景的实验：我们尝试了一个实验：从开发数据中随机选择一句话，然后用这句话替换现有的上下文生成步骤。想象一下，一个高质量的相关句子应该能够帮助我们更好地理解输出的内容。实验结果证明，即使使用随机句子，我们的方法在 WMT-21 En-De 测试集上达到了 36.10 的评分，而在 WMT-21 En-Ru 测试集上达到了 37.86。但这些成绩还不如 Zero-Shot-Context，说明上下文还是很关键。

深入探究：我们发现，使用 GPT-3 进行无预先知识的翻译可能比我们预期的要好。并且，我们不必手动选择例子，直接使用计算就可以提高翻译的质量。例如，我们发现一个简单的输出信号就可以提高 text-davinci-002 的翻译质量。有研究指出，这种方法有时会输出错误的语言，但 Zero-Shot-Context 方法可以大大减少这种情况，从而提高性能。但是，我们需要更多的数据来进一步分析这种现象。

5 结论

我们研究了 GPT 系列的 LLM 在翻译中的表现。关键是，学习的信号来自于输出文本的分布。我们基于这个发现提出了 Zero-Shot-Context 方法，这种方法在 GPT3 中大大提高了翻译的质量。我们希望这项工作能为人们更好地理解 LLM 如何学习翻译提供帮助。

6 存在的问题

我们的研究主要是使用高质量的例子。但是，不同质量的例子可能会有不同的效果。而我们提出的方法虽然不需要手动选择例子，但需要两次传递 LLM，这可能会带来一些问题。我们认为有更简单的方法可以实现这一目标，但这还需要进一步的研究。