Reparando las Brechas: Mitigación del Hackeo de Recompensas en el Aprendizaje por Refuerzo para la Traducción Multilingüe
Mending the Holes: Mitigating Reward Hacking in Reinforcement Learning for Multilingual Translation
March 13, 2026
Autores: Yifeng Liu, Siqi Ouyang, Yatish Hosmane Revanasiddappa, Lei Li
cs.AI
Resumen
Los Modelos de Lenguaje a Gran Escala (LLMs) han demostrado una capacidad notable en la traducción automática para pares de idiomas de altos recursos, pero su rendimiento en la traducción de bajos recursos aún se queda atrás. Los métodos existentes de post-entrenamiento dependen en gran medida de datos paralelos de alta calidad, que a menudo son escasos o no están disponibles para idiomas de bajos recursos. En este artículo, presentamos WALAR, un método de entrenamiento por refuerzo que utiliza únicamente texto monolingüe para elevar las capacidades de traducción de los LLMs en una gran cantidad de idiomas de bajos recursos, manteniendo al mismo tiempo su rendimiento en idiomas de altos recursos. Nuestra idea clave se basa en la observación de modos de fallo (o "lagunas") en los modelos existentes de estimación de calidad multilingüe basados en la fuente (QE). El aprendizaje por refuerzo (RL) que utiliza estos modelos QE tiende a amplificar dichas lagunas, dando como resultado LLMs multilingües más deficientes. Desarrollamos técnicas que incluyen alineación de palabras y alineación de idiomas para mitigar tales lagunas en la recompensa de WALAR para el entrenamiento de RL. Entrenamos de forma continua un LLM que soporta la traducción de 101 idiomas utilizando WALAR. Los experimentos muestran que nuestro nuevo modelo supera a LLaMAX, uno de los LLMs multilingües de código abierto más sólidos, por un amplio margen en 1400 direcciones de idiomas en el conjunto de datos Flores-101.
English
Large Language Models (LLMs) have demonstrated remarkable capability in machine translation on high-resource language pairs, yet their performance on low-resource translation still lags behind. Existing post-training methods rely heavily on high-quality parallel data, which are often scarce or unavailable for low-resource languages. In this paper, we introduce WALAR, a reinforcement training method using only monolingual text to elevate LLMs' translation capabilities on massive low-resource languages while retaining their performance on high-resource languages. Our key insight is based on the observation of failure modes (or "holes") in existing source-based multilingual quality estimation (QE) models. Reinforcement learning (RL) using these QE models tends to amplify such holes, resulting in poorer multilingual LLMs. We develop techniques including word alignment and language alignment to mitigate such holes in WALAR's reward for RL training. We continually trained an LLM supporting translation of 101 languages using WALAR. The experiments show that our new model outperforms LLaMAX, one of the strongest open-source multilingual LLMs by a large margin on 1400 language directions on Flores-101 dataset.