Reference-Grounded Data Curation for Instruction-Following Thai-English Machine Translation

📄 arXiv: 2609.34770v1 📥 PDF

作者: Thodsaporn Chay-intr, Krittapad Harnchang, Mahannop, Thabua, Kobkrit Viriyayudhakorn, Thanaruk Theeramunkong

分类: cs.CL

发布日期: 2026-09-28

备注: Accepted at AACL-IJCNLP 2026 (Main Conference)

💡 一句话要点

提出参考基础数据整理方法以解决指令遵循机器翻译问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 指令遵循翻译 机器翻译 数据整理 泰英翻译 监督学习

📋 核心要点

  1. 现有的指令遵循机器翻译方法在遵循规则与翻译质量之间存在权衡，未能有效解决这一矛盾。
  2. 本文提出参考基础数据整理方法，通过两阶段流程提取并确保翻译生成满足所有监督约束。
  3. ChindaMT模型在多个基线对比中表现优异，最高胜率达68.4%，显示出显著的性能提升。

📝 摘要（中文）

指令遵循机器翻译（IF-MT）需要遵循术语、格式和语域等提示级规则。然而，规则遵循通常与翻译质量存在权衡，而现有的通用IF数据增强方法未能解决这一问题。本文提出了参考基础数据整理（Reference-Grounded Data Curation），这是一个两阶段的流程，旨在从已满足约束的参考翻译中提取每个监督约束，确保构建的可行性。第一阶段应用指令遵循难度（IFD）评分，从英泰平行语料库中保留最难但可学习的实例。第二阶段从每个参考目标中提取约束，仅保留满足所有约束的生成，最终生成197万条记录的基础数据集。我们在基础数据集上微调开放权重模型，生成了ChindaMT，一个包含4B、2B和0.8B参数的泰英翻译模型系列。实验表明，ChindaMT在长度控制的成对评估中，在所有层级上均超越或匹配同规模基线，最高达68.4%的胜率。

🔬 方法详解

问题定义：本文旨在解决指令遵循机器翻译中规则遵循与翻译质量之间的矛盾。现有方法未能有效处理这一权衡，导致翻译质量下降。

核心思路：提出参考基础数据整理方法，通过从已满足约束的参考翻译中提取监督约束，确保生成的翻译遵循所有规则，从而提高翻译质量。

技术框架：整体流程分为两个阶段：第一阶段应用指令遵循难度评分，从英泰平行语料库中筛选出最难但可学习的实例；第二阶段从参考翻译中提取约束，仅保留满足所有约束的生成，最终形成基础数据集。

关键创新：最重要的创新在于通过构建基础数据集，确保生成翻译遵循所有约束，解决了现有方法在规则遵循与翻译质量之间的权衡问题。

关键设计：在第一阶段，使用指令遵循难度评分来评估实例的难度；在第二阶段，设计了约束提取机制，确保生成的翻译满足所有提取的约束条件。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，ChindaMT在长度控制的成对评估中，超越或匹配所有同规模基线，最高胜率达68.4%，展现出显著的性能提升，证明了参考基础数据整理方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括机器翻译、自然语言处理和多语言系统，尤其是在需要遵循特定格式和术语的专业翻译场景中。其实际价值在于提高翻译质量和一致性，未来可能对跨语言交流和信息获取产生深远影响。

📄 摘要（原文）

Instruction-following machine translation (IF-MT) requires respecting prompt-level rules on terminology, formatting, and register. Rule compliance typically trades off against translation quality, a tension that general-purpose IF data augmentation methods do not address. We propose Reference-Grounded Data Curation, a two-phase pipeline that extracts every supervised constraint from a reference translation that already satisfies it, ensuring feasibility by construction. Phase 1 applies Instruction-Following Difficulty (IFD) scoring to retain the hardest-but-learnable instances from an English-Thai parallel pool. Phase 2 extracts constraints from each reference target and keeps only generations satisfying every constraint, yielding the 1.97M-record Grounded dataset. We fine-tune open-weight bases on Grounded to produce ChindaMT, a Thai-English translation family at 4B, 2B, and 0.8B parameters. Under length-controlled pairwise judging, ChindaMT outperforms or matches every same-size baseline at every tier on both plain translation and under explicit rules, reaching up to a 68.4% win rate against the strongest baseline. The recipe transfers cleanly across Qwen generations. We release model weights, the Grounded dataset, and evaluation suites.