Riparare le Lacune: Mitigare l'Exploit delle Ricompense nell'Apprendimento per Rinforzo per la Traduzione Multilingue
Mending the Holes: Mitigating Reward Hacking in Reinforcement Learning for Multilingual Translation
March 13, 2026
Autori: Yifeng Liu, Siqi Ouyang, Yatish Hosmane Revanasiddappa, Lei Li
cs.AI
Abstract
I modelli linguistici di grandi dimensioni (LLM) hanno dimostrato capacità notevoli nella traduzione automatica per coppie linguistiche ad alte risorse, ma le loro prestazioni nella traduzione per lingue a basse risorse rimangono inferiori. I metodi di post-addestramento esistenti dipendono fortemente da dati paralleli di alta qualità, spesso scarsi o non disponibili per le lingue a basse risorse. In questo articolo introduciamo WALAR, un metodo di addestramento per rinforzo che utilizza esclusivamente testo monolingue per potenziare le capacità di traduzione degli LLM su un vasto numero di lingue a basse risorse, preservando al contempo le loro prestazioni per le lingue ad alte risorse. La nostra intuizione chiave si basa sull'osservazione delle modalità di fallimento (o "lacune") nei modelli esistenti di stima della qualità multilingue (QE) basati sulla lingua sorgente. L'apprendimento per rinforzo (RL) che utilizza questi modelli QE tende ad amplificare tali lacune, producendo LLM multilingue di qualità inferiore. Abbiamo sviluppato tecniche includendo l'allineamento lessicale e l'allineamento linguistico per mitigare tali lacune nella ricompensa di WALAR per l'addestramento RL. Abbiamo addestrato in modo continuativo un LLM che supporta la traduzione di 101 lingue utilizzando WALAR. Gli esperimenti mostrano che il nostro nuovo modello supera di ampio margine LLaMAX, uno degli LLM multilingue open-source più potenti, su 1400 direzioni linguistiche del dataset 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.