Машинный перевод
Передать текст с одного языка на другой
Полный текст статьи представлен на английском; заголовок и аннотация локализованы.
ЧТО ЭТО ЗА ВОЗМОЖНОСТЬ
Takes source-language text and outputs a translation. Unlike open-ended generation it has an objective reference — whether the translation is faithful — and unlike summarisation it should not drop content but rebuild it as evenly as possible. Beyond prose it must handle terminology lists, markup and placeholders so the output can be pasted back into the original system.
Как это устроено
When the Transformer was introduced in 2017, the encoder–decoder with attention was designed for translation, and neural machine translation has since largely replaced statistical systems. Source sentences are encoded and target sentences decoded, trained on parallel corpora. Recent multilingual models cover a hundred-plus languages with one set of parameters and treat translation as an instruction, while low-resource languages lean on transfer from high-resource ones and back-translation.
Примеры продуктов
6DeepL Translator
2017Сервис нейронного машинного перевода, делающий ставку на качество текста
GPT-4o
2024Универсальная модель с нативной мультимодальностью: текст, изображение и звук через один вход
Gemini
2023Универсальная модель с нативной мультимодальностью, рассчитанная на очень длинный контекст
Qwen
2023Семейство с открытыми весами, охватывающее разные размеры и мультимодальные версии
Hunyuan
2023Семейство универсальных моделей Tencent с открытыми весами
Whisper
2022Расшифровывает речь на многих языках и переводит её на английский
Связанные организации
Типичное применение
- Cross-border documents and contracts
- Localisation of software and websites
- Real-time cross-language communication
- Paper abstracts and subtitles
Как её оценивают
- BLEU
- N-gram overlap with references; higher is better but not readability
- COMET
- A neural faithfulness score for translations
- chrF
- Character-level F-score, steadier for morphologically rich languages
Границы и трудности
- Quality on low-resource languages and dialects trails high-resource ones by a wide margin
- Terminology and proper-noun consistency drifts across a long document
- Idioms, puns and culture-specific wording are often translated literally and lose meaning
Концепции в основе
Архитектура Transformer
Замена эстафеты по одному слову залом, где все говорят сразу, — и дальние зависимости оказываются в одном шаге
Механизм внимания
Каждая позиция может напрямую «видеть» все остальные и динамически распределять внимание по релевантности
Токенизация
Модель читает не символы, а токены — способ разбиения тихо определяет и возможности, и стоимость