Réparer les brèches : Atténuer le détournement de récompense dans l'apprentissage par renforcement pour la traduction multilingue
Mending the Holes: Mitigating Reward Hacking in Reinforcement Learning for Multilingual Translation
March 13, 2026
Auteurs: Yifeng Liu, Siqi Ouyang, Yatish Hosmane Revanasiddappa, Lei Li
cs.AI
Résumé
Les grands modèles de langage (LLM) ont démontré des capacités remarquables en traduction automatique pour les paires de langues riches en ressources, mais leurs performances sur les langues peu dotées restent à la traîne. Les méthodes existantes d'après-entraînement reposent largement sur des données parallèles de haute qualité, qui sont souvent rares ou indisponibles pour les langues peu dotées. Dans cet article, nous présentons WALAR, une méthode d'entraînement par renforcement utilisant uniquement du texte monolingue pour améliorer les capacités de traduction des LLM sur un grand nombre de langues peu dotées, tout en préservant leurs performances sur les langues riches en ressources. Notre idée clé s'appuie sur l'observation des modes de défaillance (ou « trous ») dans les modèles existants d'estimation de qualité multilingue basée sur la source. L'apprentissage par renforcement utilisant ces modèles d'estimation de qualité tend à amplifier ces trous, ce qui produit des LLM multilingues de moindre qualité. Nous développons des techniques incluant l'alignement de mots et l'alignement linguistique pour atténuer ces trous dans la récompense utilisée par WALAR pour l'entraînement par renforcement. Nous avons entraîné de manière continue un LLM prenant en charge la traduction de 101 langues en utilisant WALAR. Les expériences montrent que notre nouveau modèle surpasse largement LLaMAX, l'un des LLM multilingues open-source les plus performants, sur 1400 directions de traduction du jeu de données 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.