Заделывая пробелы: смягчение проблемы подтасовки вознаграждений в обучении с подкреплением для многозадачного перевода
Mending the Holes: Mitigating Reward Hacking in Reinforcement Learning for Multilingual Translation
March 13, 2026
Авторы: Yifeng Liu, Siqi Ouyang, Yatish Hosmane Revanasiddappa, Lei Li
cs.AI
Аннотация
Крупные языковые модели (LLM) продемонстрировали впечатляющие способности в машинном переводе для языковых пар с большими ресурсами, однако их производительность на языках с ограниченными ресурсами всё ещё отстаёт. Существующие методы пост-обучения сильно зависят от высококачественных параллельных данных, которые часто являются дефицитными или недоступными для малоресурсных языков. В данной статье мы представляем WALAR — метод обучения с подкреплением, использующий только монолингвальные тексты для повышения способностей LLM к переводу на множестве малоресурсных языков при сохранении их производительности на языках с большими ресурсами. Наше ключевое наблюдение основано на анализе типичных ошибок (или «пробелов») в существующих моделях многозадачного оценивания качества (QE) на основе исходного текста. Обучение с подкреплением (RL) с использованием таких моделей QE имеет тенденцию усиливать эти пробелы, что приводит к ухудшению многозадачных LLM. Мы разработали методы, включая выравнивание на уровне слов и языковое выравнивание, чтобы смягчить подобные пробелы в функции вознаграждения WALAR для RL-обучения. Мы провели непрерывное обучение LLM, поддерживающей перевод на 101 языке, с использованием WALAR. Эксперименты показывают, что наша новая модель значительно превосходит LLaMAX, одну из сильнейших открытых многозадачных LLM, по 1400 направлениям перевода в наборе данных 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.