Reparando as Falhas: Mitigando a Exploração de Recompensas no Aprendizado por Reforço para Tradução Multilíngue

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

Resumo

Os Grandes Modelos de Linguagem (LLMs) demonstraram capacidade notável na tradução automática de pares linguísticos de alto recurso, mas o seu desempenho na tradução de baixo recurso ainda fica aquém. Os métodos existentes de pós-treinamento dependem fortemente de dados paralelos de alta qualidade, que são frequentemente escassos ou indisponíveis para línguas de baixo recurso. Neste artigo, introduzimos o WALAR, um método de treinamento por reforço que utiliza apenas texto monolíngue para elevar as capacidades de tradução dos LLMs em línguas de baixo recurso em massa, mantendo o seu desempenho em línguas de alto recurso. A nossa principal perceção baseia-se na observação de modos de falha (ou "lacunas") nos modelos existentes de estimação de qualidade multilingue baseada na fonte (QE). A aprendizagem por reforço (RL) que utiliza estes modelos QE tende a amplificar tais lacunas, resultando em LLMs multilingues mais fracos. Desenvolvemos técnicas, incluindo alinhamento de palavras e alinhamento linguístico, para mitigar essas lacunas na recompensa do WALAR para o treino de RL. Treinámos continuamente um LLM que suporta a tradução de 101 línguas usando o WALAR. As experiências mostram que o nosso novo modelo supera largamente o LLaMAX, um dos LLMs multilingues de código aberto mais robustos, em 1400 direções linguísticas no conjunto de dados 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.