簡短回答: 部分可以。機器翻譯的數據在預訓練、分類與抽取,以及在數據稀缺語言上起步做第一個指令微調檢查點時,作為規模補充是有效的。它在開放式生成上較弱,在本地知識上按構造就是缺失的。它絕不應用於評測:一個跨 31 種語言構建的基準發現,同一批問題的本地撰寫版本與英譯版本之間,表現最好的模型差異超過 20 分。為廣度做翻譯,為行為做母語採集,測試集永遠走母語來源。
核心重點
- 機器翻譯的訓練數據是正當的補充,而不是替代:適合預訓練規模、分類和起步,對開放式生成較弱,在本地知識上按構造就是缺失的。
- 翻譯數據帶著三個各自獨立的缺陷——會被模型學去並復現的翻譯腔、翻譯無法本地化的英語中心化內容,以及變成訓練監督信號的機器翻譯錯誤。
- 母語與翻譯數據微調的直接對照研究發現,差異出現在母語與生成類基準上,而正則化有助於結構化任務,對生成類任務無助。
- 在本地撰寫與翻譯的測試集之間,表現最好的模型差異可超過 20 分,因此一份翻譯的評測集可能為一個母語用戶覺得壞掉的模型發合格證。
- 翻譯質量會可測量地向下傳導:在一項針對機器翻譯基準的診斷研究中,COMET 分數較低的數據集在片段級上出現更高比例的準確性與誤譯錯誤。
- 多語 AI 裡最便宜的保險,是一套母語採集的評測集。它只佔數據預算的一小部分,卻是整個技術棧裡唯一能告訴你其餘部分真相的環節。
快速比較
| 在你的技術棧中的角色 | 翻譯數據 | 為什麼 |
|---|---|---|
| 預訓練規模(數據稀缺語言) | 可接受的補充 | 廣度比自然度更重要;仍需要篩選 |
| 分類與抽取類微調 | 往往可行 | 標籤比風格更容易在翻譯中存活 |
| 指令微調,首次起步 | 可行,但緩解手段有限 | 正則化有助於結構化任務;生成差距仍在 |
| 開放式生成、對話、風格 | 較差的替代 | 翻譯腔與內容錯配主導輸出 |
| 本地知識類任務 | 按構造就會失敗 | 原始數據從未包含目標市場的知識 |
| 評測集 | 不要使用 | 在一個 31 語種基準裡,本地撰寫與翻譯的測試相差超過 20 分 |
為什麼這是每一次多語項目界定會上的第一個問題?
因為這筆賬看起來太划算了。把數據機器翻譯成十幾種語言,成本只是在十幾個市場招募母語說話人、寫手和審校的一小部分。如果翻譯數據等同於母語數據,母語採集就是浪費,所以每個團隊都會問能不能跳過它。
你手上有一份成熟的英文數據集,內容是指令、對話或帶標籤的樣本,而這個問題值得一個直截了當的答案,而不是任一方向上的供應商條件反射。兩個極端立場都是錯的。“翻譯就是免費的多語數據”會讓你交付出在市場上出醜的產品。“只有母語數據算數”則會把較小的語言徹底擠出覆蓋範圍,也忽視了確有研究顯示翻譯數據在正確角色上能真正出力。多語模型在訓練中本就已經大規模接觸翻譯文本,因為對多數語言而言,規模化的母語數據並不存在。
有兩個術語框定了這個決定。 機器翻譯的訓練數據,是用自動翻譯系統把既有數據(通常是英文)譯入目標語言而得到的文本。 母語數據採集,是直接向目標語言的說話人獲取文本、語音或標籤,從一開始就用該語言書寫或錄製。
本文要給的是決定,不是口號:翻譯保住了什麼、毀掉了什麼,以及你的數據棧哪些部分能容忍這個差別。它是我們那篇講本地知識為何重要的文章的生產方法篇, 超越翻譯:為什麼 AI 需要有文化相關性的數據,它覆蓋同一分界的內容面。
翻譯的訓練數據到底會出什麼問題?
三個各自獨立的缺陷:翻譯腔、英語中心化的內容,以及被注入的翻譯錯誤。把它們分開看是值得的,因為它們對應不同的修法,而且各自對不同任務的打擊程度不同。
翻譯腔,是被翻譯文本與母語書寫文本之間可測量的差別,包括源語言的句式結構、不自然的搭配,以及被壓平的文體。 它在人工翻譯和機器翻譯中同樣出現,而且不是換個更好的引擎就能消除的質量缺陷;它是翻譯本身的屬性,已有數十年語料研究記載。用它訓練的模型會學到它。關於大語言模型是否帶有英語“口音”的研究直接測量了相關的失敗:多語模型產出的非英語文本帶有 詞彙與語法上的英語中心化模式,這正是母語用戶所聽到的:即便每個詞都對,產品在他們自己的語言裡聽起來仍像外來貨。
英語中心化的內容是第二個缺陷。翻譯搬動了詞,卻留下了原來的世界。一份被翻譯的指令集問的仍是美國節假日、英語世界的機構、英制單位和英語文化典故,只是換成了流暢的泰語或斯瓦希里語。你的市場真正會問的知識——本地實體、本地流程、本地默認假設——乾脆是缺失的,而翻譯這一步無法添上原文從未包含的東西。
第三個是規模化的錯誤注入。機器翻譯會出錯,且按語言對和領域分佈不均,而在訓練流程裡,這些錯誤會變成監督信號。對此最清楚的測量來自對被翻譯基準的質量保證工作:一項針對 EU20 基準套件的診斷研究發現 COMET 分數較低的數據集在片段級上出現更高比例的準確性與誤譯錯誤,且這一趨勢在整個套件中保持一致。會毀掉評測集的東西,也會以同樣機制毀掉訓練集,只是不那麼顯眼。
三個缺陷按任務疊加的方式不同。分類標籤能很好地活過翻譯腔;開放式生成任務則一次吸收全部三個。
關於用翻譯數據訓練,研究怎麼說?
比兩邊陣營承認的都更微妙,這也是值得去讀真實對照實驗的原因。在某些任務類型上,翻譯數據可以接近母語數據;而在生成任務上、以及在任何本身是母語的測試上,差距就拉開了。
最直接的研究是 《這是適合多語指令微調的好數據,還是隻是糟糕的多語評測?》 由 Pinzhen Chen、Simon Yu、Zhicheng Guo 與 Barry Haddow 撰寫。它在母語與機器翻譯的指令數據上分別微調模型,並用兩種方式評測,其發現畫出了一張可用的地圖:
- 差異真實存在,但依任務而定。 母語或生成類基準顯示出母語指令數據與翻譯指令數據之間的明顯差異。在其他任務類型上差距不大,這也是翻譯在起步階段仍有一席之地的原因。
- 你選的基準決定了你能看到什麼。 這項研究的提法——是好數據,還是隻是糟糕的評測?——本身就是警告:翻譯的測試集是回答這個問題的錯誤儀器,因為它與翻譯訓練數據共享同樣的偽影。
- 緩解手段比人們期望的更窄。 該論文報告稱,正則化有利於彌合結構化任務上的差距,但對生成類任務無效。它沒有為生成這一情形給出修復辦法。
- 回譯構造是一種診斷,不是補救。 它對回譯與單程翻譯的對照,指向的是母語資源中知識的重要性,而不是某種可以替代它的翻譯技巧。
把視野放大到預訓練,圖景是允許的但有條件。翻譯文本能在語料稀薄的語言上增加體量,這是真實的用途。但多語網絡數據審計一直是對“未經篩選的規模能買到什麼”的警告:一項對 205 個網絡爬取語言語料庫的人工審計發現,有整個數據集根本沒有可用文本,這一結果我們在以下文章中展開 更多數據會讓 AI 變差嗎? 翻譯會把你餵給它的質量成倍放大,兩個方向都是。
為什麼翻譯的評測數據是另一個、更糟的問題?
因為用翻譯數據訓練讓你損失質量,而用它測試則讓你失去看見質量損失的能力。一臺會討好被測對象的測量儀器,比沒有儀器更糟。
評測集是一組保留出來、用於衡量模型表現的樣本,與訓練數據分開存放。 這裡的證據很難反駁。MultiLoKo 是一個跨 31 種語言構建的本地知識基準,其問題同時具備本地撰寫與英譯兩個版本,報告稱 表現最好的模型差異超過 20 分 之間。因此翻譯基準不是真實測試的帶噪版本;它是另一個測試,衡量的是被翻譯塑形過的能力。
A WMT 2025 實證分析 關於用機器翻譯擴展多語基準的研究,從數據集設計一側給出互補結論:多語數據集當前的語言選擇傾向於高估大語言模型在低資源語言上的表現。它發表於第十屆機器翻譯大會論文集,是一個否則只會以口耳相傳形式流通的論斷的同行評審依據——即模型卡上的多語數字,恰恰在你最需要它們誠實的那些語言上偏樂觀。
實踐規則由此直接得出,而且它的絕對性強於訓練側的規則:無論你對翻譯訓練數據作何決定,你的評測集必須來自母語來源。它們是技術棧裡最小的數據集,也是翻譯的經濟賬從來就不吸引人的那一處。我們的指南 為 LLM 構建多語評測集 從採購方一側得出同樣結論:一套用英語搭起來的評測棧套用到其他語言上,分數好看只是因為它從來沒有真正測過它們。
“翻譯還是採集”的這條線實際劃在哪裡?
它取決於任務角色與市場重要性,而不是預算條目。為了規模、分類和起步可以用翻譯;生成、對話、本地知識、受監管領域,以及永遠包括評測,都要做母語採集。
該做翻譯的情形: 你需要在語料稀薄的語言上獲得預訓練規模的體量;你正在起步做第一個指令微調檢查點,好有個東西可以迭代;任務是分類或抽取,產品是標籤而不是行文;或者該語言屬於較晚的上線批次,而翻譯數據能在母語採集進行期間買到一個可用的過渡。要應用真正有證據支持的緩解手段:用翻譯質量分數對輸出做篩選,因為錯誤率會可測量地跟隨這些分數;並記錄哪些數據是翻譯的,以便日後降權或退役。
該做母語採集的情形: 任務是開放式生成、對話或任何會被用戶當成“聲音”來讀的東西;領域受監管或與安全相鄰,流暢的錯誤就是昂貴的失敗;內容需要英文原文從未具備的本地知識;該語言是戰略核心而非長尾覆蓋;或者——永遠且無例外——數據集是用於評測的。語音幾乎完全屬於母語採集:口音、聲學與語碼轉換無法被翻譯,這也是語音項目從一開始就以採集方式運行的原因,其託管流程形態見 語音數據收集程序如何實際運行.
規劃上要讓比例隨時間變化。健康的多語項目通常以翻譯為主來取得廣度,並隨著每種語言證明其市場價值而轉向以母語為主,因此語言優先級與“翻譯轉母語”的時間表應當一起決定。翻譯數據是腳手架。錯不在用腳手架,錯在忘了把樓蓋起來。
Lifewood 在客戶項目裡把這條線劃在哪裡?
Lifewood 處在這個市場的母語採集一側,因此在這個決定裡誠實的用法,是把它用在研究說母語數據不可讓渡的那幾個環節:先是評測集,然後是面向生成的微調數據,再然後是語音。
Lifewood Data Technology 提供 覆蓋 100+ 種語言的多語數據採集 ,由母語貢獻者通過託管交付中心完成。實踐中,項目界定對話常常會縮小客戶帶來的母語採集需求。當一種語言屬於長尾覆蓋、任務又是分類時,翻譯數據加上一套母語採集的評測集,就是站得住的配置,因為母語採集的評測集會精確地顯示出翻譯訓練數據何時不再夠用。那個測量對合作關係的價值,高於一張更大的發票。採購方在此基礎上比較供應商時,可以用我們的指南 挑選多語數據採集合作方.
這一分界的翻譯一側有自己成熟的供給:機器翻譯供應商與語言服務行業在規模上承接翻譯數據的生產,而本文引用的學術團隊提供任何一側的供應商都不該自己打分的獨立證據。無論你向誰採購,要堅持的配置是同一個——翻譯數據在你的流程中被清楚標為翻譯數據,而一套母語評測集站在它之外,手裡拿著尺子。
如果預算只夠做翻譯,你該怎麼做?
先保住評測集,然後對翻譯數據做篩選、打標,並排期替換。預算受限改變的是花錢的順序,而不是“測試必須是母語”這條原則。
- 無論如何先保住評測集。 它通常只佔數據總量的一小部分。即便其餘全部是翻譯的,也要用母語採集它;這是省錢項目和盲目項目之間的差別。
- 對輸出做質量篩選 ,配合自動化的翻譯質量估計和母語說話人抽檢,並丟掉最低那一檔,而不是拿它去訓練。錯誤分佈與質量分數的吻合程度,足以作為行動依據。
- 在流程中為翻譯數據打標 ,這樣它就能按語言被降權或替換,而不必做考古。
- 把第一筆母語採集的錢花在方差最大的任務上 ——開放式生成與對話——而不是平攤使用。
- 不要指望靠精巧的翻譯流程去彌合生成差距。 證據指向的是母語資源,而不是某種翻譯技巧,因此把精巧的回譯當作把母語種子數據用好的辦法,而不是沒有母語種子時的替代品。
- 每次模型更新後都在母語評測集上重測。 翻譯訓練差距會隨模型代際變化;去測量它,而不是預設它。
- 為“畢業”排期。 在路線圖裡寫明哪些語言在什麼觸發條件下從翻譯數據轉為母語數據——使用量閾值、收入、錯誤率——這樣腳手架才不會默認變成結構。