Chain-of-Thought Reasoning Improves Context-Aware Translation with Large Language Models

文章核心总结与翻译

一、主要内容

文章聚焦大语言模型（LLMs）的上下文感知翻译能力，通过DiscEvalMT英-法基准测试（含指代照应和词汇衔接两类跨句依赖任务），评估了12个不同家族的LLM（含GPT、Llama、Mistral等）。研究设计两项任务：一是区分正确与看似合理的错误翻译，二是直接生成符合上下文的正确翻译，重点对比了鼓励思维链（CoT）推理的提示词与普通提示词的效果。结果显示，GPT-4、GPT-4o和Phi等顶尖模型借助CoT推理，在第一项任务中准确率达90%左右，第二项任务的COMET评分约92%，且存在“强者愈强”效应——模型基础性能越好，推理提示带来的提升越显著。

二、创新点

1. 系统评估12个LLM在跨句依赖翻译任务中的表现，刷新了DiscEvalMT基准的最优成绩。
2. 证实CoT推理提示能提升翻译连贯性，但仅对顶尖模型有效，且提升效果与模型基础分数正相关，提出“强者愈强”效应。
3. 验证了BLEU、chrF、BERTScore和COMET四种评估指标的一致性，确保翻译质量评分的可靠性。
4. 设计针对性推理提示词（分指代照应和词汇衔接任务），通过分步引导明确翻译决策，为上下文感知翻译提供新方案。

三、核心部分翻译（Markdown格式）

Abstract（摘要）

本文评估了大语言模型（LLMs）翻译含跨句依赖文本的能力。我们采用英-法DiscEv