AI字幕總是慢半拍，質(zhì)量和延遲難以平衡是業(yè)界老問題了。

為此，香港中文大學(xué)、字節(jié)跳動(dòng)Seed和斯坦福大學(xué)研究團(tuán)隊(duì)出手，提出了一種面向同聲傳譯的序貫策略優(yōu)化框架 (Sequential Policy Optimization for Simultaneous Machine Translation, SeqPO-SiMT)。

在70億參數(shù)（7B）規(guī)模上實(shí)現(xiàn)SOTA。

實(shí)驗(yàn)結(jié)果顯示，SeqPO-SiMT的翻譯質(zhì)量不僅優(yōu)于監(jiān)督微調(diào)（SFT）的離線模型及LLaMA-3-8B，其表現(xiàn)甚至能媲美乃至超越Qwen-2.5-7B的離線翻譯水平。

方法：SeqPO-SiMT序貫策略優(yōu)化

針對以上難點(diǎn)，研究團(tuán)隊(duì)提出SeqPO-SiMT框架。其核心思想是將同聲傳譯任務(wù)建模為一個(gè)序貫決策問題，綜合評估整個(gè)翻譯流程的翻譯質(zhì)量和延遲，并對整個(gè)決策序貫進(jìn)行端到端的優(yōu)化。

該方法的主要特點(diǎn)是：它不再孤立地評估每一步?jīng)Q策的好壞，而是將一整句話的翻譯過程視為一個(gè)整體，即形成一個(gè)完整決策序貫，更符合人類對同傳的評估過程。

同聲傳譯采樣階段

該框架使用一個(gè)大語言模型（LLM）充當(dāng)策略模型，在每個(gè)時(shí)間步t，模型會接收新的源語言文本塊，并基于已有的所有源文本和之前的翻譯歷史，來生成當(dāng)前的翻譯塊。

這個(gè)決策過程可以被形式化地表示為：

該框架的一個(gè)關(guān)鍵靈活性在于，如果模型決定等待更多上下文，輸出的可以為空，其長度完全由策略模型自行決定。

優(yōu)化階段

獎(jiǎng)勵(lì)函數(shù)：對于一個(gè)batch內(nèi)的第i個(gè)樣本，系統(tǒng)會通過一個(gè)在最終步驟T給予的融合獎(jiǎng)勵(lì)來評估整個(gè)過程的優(yōu)劣。這個(gè)獎(jiǎng)勵(lì)同時(shí)評估翻譯質(zhì)量（Quality）和延遲（Latency）。

具體而言，首先計(jì)算出原始的質(zhì)量分和延遲分，然后對兩者進(jìn)行歸一化處理以統(tǒng)一量綱得到和，最終的獎(jiǎng)勵(lì)被定義為：

其中，是一個(gè)超參數(shù)，用于權(quán)衡質(zhì)量與延遲的重要性。

優(yōu)化目標(biāo)：模型的最終優(yōu)化目標(biāo)最大化期望獎(jiǎng)勵(lì)，同時(shí)為了保證訓(xùn)練的穩(wěn)定性，目標(biāo)函數(shù)中還引入了KL散度作為約束項(xiàng)，防止策略模型與參考模型偏離過遠(yuǎn)。

這個(gè)結(jié)合最終獎(jiǎng)勵(lì)和穩(wěn)定性約束的優(yōu)化過程，使得模型能夠端到端地學(xué)會一個(gè)兼顧翻譯質(zhì)量與延遲的最優(yōu)策略：

結(jié)果與分析：翻譯質(zhì)量媲美Qwen-2.5-7B離線翻譯水平

研究團(tuán)隊(duì)在多個(gè)公開的英漢互譯測試集上進(jìn)行了實(shí)驗(yàn)，并與多種現(xiàn)有同傳模型進(jìn)行對比。實(shí)驗(yàn)結(jié)果顯示：在低延遲水平下，SeqPO-SiMT框架生成的譯文質(zhì)量相較于基線模型有明顯提升。

與多個(gè)高性能模型的離線翻譯結(jié)果進(jìn)行對比，結(jié)果顯示，SeqPO-SiMT的翻譯質(zhì)量不僅優(yōu)于監(jiān)督微調(diào)（SFT）的離線模型及LLaMA-3-8B，其表現(xiàn)甚至能媲美乃至超越Qwen-2.5-7B的離線翻譯水平。這表明該方法在70億參數(shù)（7B）規(guī)模上實(shí)現(xiàn)了業(yè)界頂尖（SoTA）的性能。

SeqPO-SiMT為解決同聲傳譯中的“質(zhì)量-延遲”權(quán)衡問題提供了一個(gè)新的視角，它強(qiáng)調(diào)了對決策“序貫”進(jìn)行整體優(yōu)化的重要性。該方法對于需要進(jìn)行實(shí)時(shí)、連續(xù)決策的自然語言處理任務(wù)具有一定的參考意義，并為未來開發(fā)更高效、更智能的同聲傳譯系統(tǒng)提供了有價(jià)值的探索。

論文鏈接：https://arxiv.org/pdf/2505.20622