這項由Unbabel公司聯(lián)合多家歐洲研究機構(gòu)完成的突破性研究發(fā)表于2025年6月，論文名為"TOWER+: Bridging Generality and Translation Specialization in Multilingual LLMs"。研究團隊包括來自Instituto de Telecomunicacoes、Instituto Superior Técnico、Universidade de Lisboa以及法國CentraleSupélec大學(xué)的研究人員。感興趣的讀者可以通過arXiv:2506.17080v1訪問完整論文。

想象你正在尋找一位完美的翻譯助手，你希望這個助手不僅能夠精準(zhǔn)地翻譯各種語言，還能像朋友一樣與你自然對話，回答問題，甚至幫你寫代碼解決數(shù)學(xué)題。這聽起來似乎很難實現(xiàn)，因為就像一個人很難同時成為翻譯專家和全能助手一樣，現(xiàn)有的AI模型往往面臨著同樣的困境：要么擅長翻譯但不會聊天，要么聊天很棒但翻譯水平一般。

Unbabel研究團隊發(fā)現(xiàn)了一個有趣的現(xiàn)象：當(dāng)前最優(yōu)秀的翻譯AI模型在專業(yè)翻譯測試中表現(xiàn)出色，但一旦你想和它們進行日常對話或?qū)で笃渌麕椭鷷r，它們就顯得力不從心。相反，那些聊天能力很強的通用AI模型在翻譯任務(wù)上又不夠?qū)I(yè)。這就像培養(yǎng)一個學(xué)生，如果只讓他專門學(xué)翻譯，他確實能成為翻譯高手，但可能連基本的數(shù)學(xué)題都不會做了。

研究團隊意識到這個問題的重要性。在現(xiàn)實世界中，人們使用AI助手時往往需要多種能力的結(jié)合。比如，你可能需要AI不僅翻譯一段商務(wù)文檔，還要按照特定格式要求整理，或者在翻譯過程中遵循某些術(shù)語規(guī)范。如果AI只會翻譯不會理解指令，那就無法滿足這些復(fù)雜需求。

為了解決這個難題，研究團隊開發(fā)了名為TOWER+的新型AI模型系列。這個系列包含了2B、9B和72B三種不同規(guī)模的模型，就像提供小中大三種尺寸的工具，讓不同需求的用戶都能找到適合自己的版本。TOWER+的核心突破在于找到了翻譯專業(yè)性和通用對話能力之間的完美平衡點。

一、革命性的訓(xùn)練配方：四步打造全能翻譯助手

研究團隊就像廚師調(diào)配復(fù)雜菜肴一樣，設(shè)計了一個精妙的四步訓(xùn)練流程。這個流程的每一步都有其獨特的作用，缺一不可。

第一步是持續(xù)預(yù)訓(xùn)練階段，就像給學(xué)生打基礎(chǔ)一樣。研究團隊收集了大量的單語和雙語數(shù)據(jù)，涵蓋27種語言和47個語言對，總計320億個標(biāo)記。這就像讓AI同時接觸各種語言環(huán)境，既有每種語言的原汁原味內(nèi)容，也有不同語言之間的對照材料。特別巧妙的是，團隊在這個階段還加入了1%的高質(zhì)量指令數(shù)據(jù)，這就像在專業(yè)訓(xùn)練中偶爾穿插一些綜合練習(xí)，確保AI在專攻翻譯的同時不會忘記其他技能。

訓(xùn)練數(shù)據(jù)的分配遵循66%單語數(shù)據(jù)、33%平行翻譯數(shù)據(jù)的比例。單語數(shù)據(jù)主要來自FineWeb-Edu，這是一個經(jīng)過精心篩選的教育級網(wǎng)絡(luò)內(nèi)容數(shù)據(jù)庫。平行翻譯數(shù)據(jù)則來源于OPUS數(shù)據(jù)庫，并經(jīng)過COMETKIWI質(zhì)量評估系統(tǒng)的嚴(yán)格篩選。所有的平行數(shù)據(jù)都被格式化成翻譯指令的形式，就像給AI提供標(biāo)準(zhǔn)化的練習(xí)題模板。

第二步是監(jiān)督微調(diào)階段，這時AI開始學(xué)習(xí)如何真正理解和執(zhí)行各種任務(wù)。研究團隊從多個公開數(shù)據(jù)集收集指令，包括OpenHermes-2.5、Aya、Daring-Anteater等，然后使用Llama 3.3 70B對每個實例進行評分，篩選出推理難度和可讀性都較高的數(shù)據(jù)。這個過程就像老師從大量習(xí)題中挑選出最有價值的練習(xí)題。

在這個階段，團隊還采用了一種創(chuàng)新的答案生成策略。他們讓四個頂級開源模型（DeepSeek V3、Qwen 2.5 72B、Tülu 3和Llama 3.3）分別生成候選答案，然后使用先進的獎勵模型Skywork-Gemma2-27B從中選擇最優(yōu)答案。這就像組織一個專家小組，讓每個專家都提出方案，然后由最權(quán)威的評委選出最佳方案。

特別值得注意的是，最終的監(jiān)督微調(diào)數(shù)據(jù)集包含130萬個樣本，其中翻譯任務(wù)只占22%，其余78%都是指令跟隨任務(wù)，涵蓋數(shù)學(xué)、編程、問答、創(chuàng)意寫作等各個方面。這個比例的設(shè)計體現(xiàn)了團隊的智慧：既要保持翻譯專業(yè)性，又要確保通用能力不被削弱。

第三步是偏好優(yōu)化階段，使用加權(quán)偏好優(yōu)化技術(shù)。這個階段就像教會AI什么是好的回答，什么是不夠好的回答。團隊使用兩類數(shù)據(jù)源：一類是從監(jiān)督微調(diào)階段繼承的提示，這些提示在多語言覆蓋、安全關(guān)鍵場景和多輪對話方面更加豐富；另一類是來自UltraFeedback的新提示。前者采用離線策略收集偏好數(shù)據(jù)，后者則采用在線策略。

在翻譯任務(wù)的偏好數(shù)據(jù)收集方面，團隊采用了特別巧妙的策略。他們將專業(yè)語言學(xué)家的后編輯版本作為首選答案，將原始機器翻譯輸出作為非首選答案。此外，還收集了早期TOWER模型質(zhì)量評估過程中產(chǎn)生的直接偏好標(biāo)注。為了避免評估偏差，團隊使用COMET22進行最小貝葉斯風(fēng)險解碼，然后用METRICX24-XXL和Llama 3.3進行雙重驗證，確保選擇真正更好的翻譯。

第四步是可驗證獎勵強化學(xué)習(xí)階段，這是整個訓(xùn)練流程中最精細(xì)的部分。團隊使用Tülu 3可驗證獎勵數(shù)據(jù)集，并增加了兩個翻譯專用信號：翻譯可驗證指令和翻譯偏好評估。翻譯可驗證指令專門訓(xùn)練模型在翻譯過程中應(yīng)用文本轉(zhuǎn)換能力，比如將日期格式從DD-MM-YYYY轉(zhuǎn)換為MM-DD-YYYY。團隊定義了28個廣泛的文本轉(zhuǎn)換類別，包括郵件格式化、日期格式化、數(shù)學(xué)符號等，每個類別都配有詳細(xì)的描述、驗證規(guī)則和示例。

二、精心設(shè)計的數(shù)據(jù)烹飪術(shù)：如何調(diào)配完美的學(xué)習(xí)餐

數(shù)據(jù)就像食材，而研究團隊就像經(jīng)驗豐富的大廚，知道如何搭配不同的食材來烹飪出美味的菜肴。在持續(xù)預(yù)訓(xùn)練階段，團隊使用的單語數(shù)據(jù)全部來自FineWeb-Edu，這個數(shù)據(jù)源經(jīng)過精心篩選，確保內(nèi)容的教育價值和質(zhì)量。多數(shù)平行數(shù)據(jù)來自O(shè)PUS數(shù)據(jù)庫，并使用COMETKIWI進行質(zhì)量過濾，確保翻譯對的準(zhǔn)確性和流暢性。

為了增強模型的文檔級翻譯能力，團隊特別加入了來自EuroParl、ParaDocs和CosmoPedia-v2的文檔級翻譯數(shù)據(jù)，每個語言對各占10%的比例。這就像在訓(xùn)練中不僅要學(xué)會翻譯單個句子，還要學(xué)會處理完整的文檔段落，保持上下文的連貫性。

在監(jiān)督微調(diào)階段，數(shù)據(jù)收集和篩選過程更加嚴(yán)格。團隊首先從多個高質(zhì)量數(shù)據(jù)集收集指令，然后使用Llama 3.3 70B對每個實例的推理要求和可讀性進行1-5分的評分。只有推理分?jǐn)?shù)或可讀性分?jǐn)?shù)達到4分或以上的數(shù)據(jù)才會被保留，這就像嚴(yán)格的入學(xué)考試，只有最優(yōu)秀的候選者才能通過。

在答案生成環(huán)節(jié)，團隊采用了多教師蒸餾的策略。四個頂級模型分別為每個指令生成候選答案，然后使用Skywork-Gemma2-27B獎勵模型進行評分排序，選擇得分最高的答案作為訓(xùn)練標(biāo)準(zhǔn)。這個過程確保了每個訓(xùn)練樣本都具有最高的質(zhì)量標(biāo)準(zhǔn)。

翻譯相關(guān)的數(shù)據(jù)處理同樣細(xì)致入微。團隊收集了預(yù)翻譯、翻譯和后翻譯三類任務(wù)數(shù)據(jù)。預(yù)翻譯任務(wù)包括語法錯誤糾正、命名實體識別、個人信息移除等預(yù)處理步驟。翻譯任務(wù)涵蓋句子級翻譯、風(fēng)格適應(yīng)、文檔級翻譯和多語言翻譯等多種類型。后翻譯任務(wù)則專注于自動后編輯和機器翻譯質(zhì)量評估。

三、突破性的評估框架：不只是翻譯，更是全能助手

為了全面評估TOWER+模型的能力，研究團隊設(shè)計了一套綜合性的評估框架，就像為運動員設(shè)計的全能測試一樣，不僅要測試專項技能，還要考察綜合素質(zhì)。

在翻譯能力評估方面，團隊使用了WMT24++測試集，這是對官方WMT24測試集的擴展版本，覆蓋55種語言和方言。WMT是機器翻譯領(lǐng)域的頂級年度競賽，被譽為翻譯界的"奧林匹克"。團隊使用XCOMET-XXL作為主要評估指標(biāo)，這是當(dāng)前最先進的機器翻譯自動評估指標(biāo)，同時也使用METRICX24-XXL和CHRF作為補充指標(biāo)，確保評估的全面性和可靠性。

在通用能力評估方面，團隊選擇了兩個重要的基準(zhǔn)測試。首先是IFEval，這是一個專門評估指令跟隨能力的基準(zhǔn)，包含541個可以通過代碼或正則表達式自動驗證的指令。這就像給AI布置作業(yè)，看它能否嚴(yán)格按照要求完成任務(wù)。其次是M-ArenaHard，這是ArenaHard的多語言擴展版本，涵蓋英語、德語、西班牙語、中文和俄語五種語言，使用Llama 3.3 70B作為評估者，以Qwen2.5 72B為基線參考模型。

特別值得一提的是，團隊還創(chuàng)建了一個全新的評估基準(zhǔn)IF-MT，專門測試翻譯和指令跟隨的混合能力。這個基準(zhǔn)解決了現(xiàn)有評估體系的一個重要空白：現(xiàn)實世界的翻譯任務(wù)往往不是簡單的語言轉(zhuǎn)換，而是需要在翻譯的同時遵循特定的指令和規(guī)范。

IF-MT基準(zhǔn)采用零樣本基準(zhǔn)測試方法，為英語到中文和英語到西班牙語（拉丁美洲）兩個語言對生成測試數(shù)據(jù)。生成過程中，數(shù)據(jù)生成模型被要求創(chuàng)建包含2-4個可驗證指令的源文本，這些指令必須是客觀可驗證的，比如貨幣格式轉(zhuǎn)換、日期格式規(guī)范、術(shù)語表遵循等，而不是主觀的風(fēng)格要求。

評估過程中，團隊將翻譯質(zhì)量和指令跟隨能力分開測量。翻譯質(zhì)量使用COMET-22指標(biāo)評估，這個指標(biāo)具有更大的上下文長度，適合處理生成的長源文本。指令跟隨能力則使用Claude Sonnet 3.7作為評判者，對每個實例進行1-6分的評分。這種雙重評估機制確保了對模型綜合能力的準(zhǔn)確測量。

四、令人矚目的實驗結(jié)果：小身材大能量的完美詮釋

實驗結(jié)果就像一場精彩的表演，TOWER+模型在各個測試舞臺上都展現(xiàn)出了令人印象深刻的表現(xiàn)。最引人注目的是，即使是最小的2B參數(shù)模型也能在某些任務(wù)上超越那些參數(shù)量數(shù)十倍的大型模型，這就像一個輕量級選手在綜合格斗比賽中擊敗重量級對手一樣令人驚訝。

在翻譯質(zhì)量方面，TOWER+ 72B模型在WMT24++測試集上的表現(xiàn)與之前的TOWER-V2模型相當(dāng)，同時在通用能力測試中實現(xiàn)了巨大突破。在M-ArenaHard測試中，TOWER+ 72B對Qwen2.5 72B的勝率從之前TOWER-V2的4%躍升至54.5%，這是一個翻天覆地的改變。這意味著在保持專業(yè)翻譯能力的同時，模型的通用對話和推理能力得到了質(zhì)的提升。

更加令人驚喜的是小型模型的表現(xiàn)。TOWER+ 9B模型盡管只有90億參數(shù)，卻在24個語言對的機器翻譯任務(wù)中表現(xiàn)出色，在IFEval、M-ArenaHard和IF-MT測試中都超越了Gemma-2模型。這就像一個中等身材的運動員在力量、速度和技巧三個項目中都戰(zhàn)勝了體格更壯的對手。

最讓人刮目相看的是TOWER+ 2B模型。這個只有20億參數(shù)的"小身材"模型在機器翻譯方面能夠匹敵Llama-3.3這樣的700億參數(shù)巨型模型，同時在M-ArenaHard、IFEval和IF-MT的指令跟隨測試中都超越了之前的TOWER-V2-70B模型。這個結(jié)果顛覆了人們對模型規(guī)模和性能關(guān)系的傳統(tǒng)認(rèn)知，證明了精心設(shè)計的訓(xùn)練方法比單純增加參數(shù)更加重要。

在IF-MT這個新創(chuàng)建的綜合評估基準(zhǔn)上，TOWER+模型的表現(xiàn)尤其值得關(guān)注。所有的機器翻譯專用模型在這個測試中都表現(xiàn)不佳，甚至需要移除指令部分才能正常工作，這充分說明了這些模型的局限性。相比之下，TOWER+ 72B在翻譯質(zhì)量和指令跟隨兩個維度上都大幅超越了所有其他開源模型，展現(xiàn)了其在復(fù)雜實際應(yīng)用場景中的優(yōu)勢。

與閉源模型的對比同樣令人鼓舞。TOWER+ 72B在翻譯質(zhì)量方面能夠與GPT-4O-1120和Claude Sonnet 3.7等頂級商業(yè)模型相媲美，同時在M-ArenaHard測試中的表現(xiàn)也相當(dāng)接近這些先進模型。這意味著開源社區(qū)現(xiàn)在擁有了能夠挑戰(zhàn)商業(yè)巨頭的強大工具。

五、深入剖析：每個訓(xùn)練階段的神奇作用

為了理解TOWER+成功的秘密，研究團隊進行了詳細(xì)的消融實驗，就像解剖一個精密機械裝置一樣，逐個分析每個部件的作用。這些實驗揭示了訓(xùn)練流程中每個階段對最終性能的具體貢獻。

持續(xù)預(yù)訓(xùn)練階段的作用主要體現(xiàn)在翻譯性能的提升上，特別是對中低資源語言的改善效果顯著。在7種高資源語言對上，這個階段只帶來了0.77個XCOMET-XXL評分點的提升，但在全部語言對上卻能實現(xiàn)3.3個評分點的整體提升。這說明持續(xù)預(yù)訓(xùn)練對于擴展模型的多語言能力具有重要價值。

然而，這種專業(yè)化訓(xùn)練也帶來了一定的代價。在M-ArenaHard測試中，持續(xù)預(yù)訓(xùn)練后的模型表現(xiàn)出一致的通用能力下降。研究團隊推測這可能是因為繼續(xù)訓(xùn)練打破了基礎(chǔ)模型在最終預(yù)訓(xùn)練調(diào)優(yōu)階段達到的微妙平衡。這些調(diào)優(yōu)階段通常涉及精心策劃的數(shù)據(jù)、漸進的學(xué)習(xí)率調(diào)度和內(nèi)部優(yōu)化，很難完全復(fù)現(xiàn)。

監(jiān)督微調(diào)階段是整個訓(xùn)練流程的核心，對翻譯、指令跟隨和通用對話能力都帶來了顯著提升。這個階段的成功關(guān)鍵在于數(shù)據(jù)配比的精心設(shè)計：雖然翻譯任務(wù)只占22%，但足以維持專業(yè)翻譯能力，而78%的通用任務(wù)數(shù)據(jù)則大幅提升了模型的綜合能力。

偏好優(yōu)化階段使用加權(quán)偏好優(yōu)化技術(shù)，在各個維度都實現(xiàn)了進一步的性能提升。這個階段特別重要的是引入了翻譯專用的偏好數(shù)據(jù)，包括專業(yè)語言學(xué)家的后編輯版本和早期模型評估中的偏好標(biāo)注。實驗顯示，這種方法比傳統(tǒng)的直接偏好優(yōu)化（DPO）效果更好，特別是在翻譯質(zhì)量方面。

可驗證獎勵強化學(xué)習(xí)階段的效果相對有限，主要體現(xiàn)在IFEval測試的改善上。團隊發(fā)現(xiàn)這個階段的有效性很大程度上依賴于獎勵對齊數(shù)據(jù)的質(zhì)量和結(jié)構(gòu)。在清理了Tülu 3數(shù)據(jù)集中的格式不一致問題后，GRPO方法的改善效果變得更加有限，這提示未來需要更加精心設(shè)計的可驗證獎勵數(shù)據(jù)。

六、基礎(chǔ)模型的選擇智慧：平衡專業(yè)性與通用性的藝術(shù)

基礎(chǔ)模型的選擇就像為一棟建筑選擇地基一樣重要，它決定了最終成果的上限和特色。研究團隊比較了Qwen 2.5和Gemma 2兩個模型家族，發(fā)現(xiàn)了有趣的權(quán)衡關(guān)系。

Qwen 2.5模型在通用任務(wù)基準(zhǔn)測試中表現(xiàn)出色，但在多語言能力和翻譯任務(wù)上相對較弱。相比之下，Gemma 2家族在機器翻譯方面實現(xiàn)了開源模型中的最佳性能，同時在通用任務(wù)上保持了競爭力。這種差異在小模型中表現(xiàn)得尤為明顯：即使參數(shù)量更多，Qwen 2.5 14B在翻譯性能上仍然無法匹敵Gemma 2 9B。

這種現(xiàn)象的根源可能在于模型的訓(xùn)練數(shù)據(jù)分布和優(yōu)化目標(biāo)。Qwen 2.5系列主要針對通用能力進行優(yōu)化，而Gemma 2系列在多語言數(shù)據(jù)的處理上可能更加均衡。這個發(fā)現(xiàn)對于模型選擇具有重要指導(dǎo)意義：對于需要強多語言能力的應(yīng)用，應(yīng)該優(yōu)先選擇在多語言任務(wù)上表現(xiàn)更好的基礎(chǔ)模型，而不是簡單追求通用基準(zhǔn)測試的高分。

團隊最終選擇Qwen 2.5和Gemma 2主要是出于許可證方面的考慮。雖然Llama 3模型在翻譯能力上表現(xiàn)更好，但其更嚴(yán)格的許可要求限制了商業(yè)應(yīng)用的靈活性。這個選擇體現(xiàn)了實用主義的考慮，在技術(shù)性能和實際可用性之間找到了平衡點。

七、創(chuàng)新的IF-MT基準(zhǔn)：現(xiàn)實世界翻譯能力的真實考驗

IF-MT基準(zhǔn)的創(chuàng)建解決了翻譯評估領(lǐng)域的一個重要空白?，F(xiàn)實世界的翻譯任務(wù)往往不是簡單的語言轉(zhuǎn)換，而是需要在翻譯的同時理解和執(zhí)行復(fù)雜的指令。比如，在翻譯商務(wù)文檔時可能需要統(tǒng)一術(shù)語使用，在翻譯技術(shù)文檔時可能需要保持特定的格式規(guī)范。

這個基準(zhǔn)采用零樣本基準(zhǔn)測試方法，確保測試的公平性和可靠性。數(shù)據(jù)生成過程中，生成模型被要求創(chuàng)建包含多個可驗證指令的源文本，這些指令涵蓋了現(xiàn)實翻譯工作中常見的各種要求，如日期格式轉(zhuǎn)換、貨幣單位統(tǒng)一、術(shù)語表遵循等。

評估結(jié)果顯示，傳統(tǒng)的翻譯專用模型在這個基準(zhǔn)上表現(xiàn)很差，甚至無法在保留指令的情況下正常工作。ALMA-R和GemmaX等模型必須移除指令部分才能進行翻譯，這充分暴露了這些模型的局限性：它們雖然在單純的翻譯任務(wù)上表現(xiàn)出色，但缺乏理解和執(zhí)行復(fù)雜指令的能力。

相比之下，TOWER+模型在這個基準(zhǔn)上的表現(xiàn)證明了其設(shè)計理念的正確性。通過在訓(xùn)練過程中平衡翻譯專業(yè)性和通用指令跟隨能力，TOWER+能夠在現(xiàn)實世界的復(fù)雜翻譯場景中發(fā)揮更大的價值。

研究團隊將這項研究比作培養(yǎng)一個理想的語言助手：不僅要精通多種語言的轉(zhuǎn)換，還要能夠理解人類的各種需求，在翻譯的同時提供貼心的服務(wù)。就像一個優(yōu)秀的人類翻譯不僅要語言功底扎實，還要有良好的溝通能力和服務(wù)意識一樣，TOWER+代表了AI翻譯助手發(fā)展的新方向。

這項研究的意義遠(yuǎn)超翻譯領(lǐng)域本身。它證明了在AI模型訓(xùn)練中，精心設(shè)計的方法論比單純增加模型規(guī)模更加重要。通過巧妙的數(shù)據(jù)配比、創(chuàng)新的訓(xùn)練策略和全面的評估框架，研究團隊展示了如何在特定專業(yè)能力和通用能力之間找到最佳平衡點。

對于普通用戶而言，TOWER+的出現(xiàn)意味著未來的AI翻譯助手將更加智能和實用。你不再需要在專業(yè)翻譯工具和通用AI助手之間來回切換，一個模型就能滿足你的多樣化需求。無論是翻譯重要文檔、進行跨語言交流，還是尋求其他類型的幫助，TOWER+都能提供一站式的解決方案。

從更廣闊的視角來看，這項研究為AI模型的專業(yè)化發(fā)展提供了重要啟示。在AI技術(shù)快速發(fā)展的今天，如何在保持專業(yè)優(yōu)勢的同時拓展應(yīng)用范圍，是每個AI系統(tǒng)都需要面對的挑戰(zhàn)。TOWER+的成功經(jīng)驗為其他領(lǐng)域的AI模型訓(xùn)練提供了寶貴的參考，無論是醫(yī)療AI、法律AI還是教育AI，都可以借鑒這種平衡專業(yè)性和通用性的訓(xùn)練方法。

說到底，TOWER+的真正價值不僅在于其技術(shù)突破，更在于它展現(xiàn)了AI發(fā)展的一種新可能：我們不必在專業(yè)性和通用性之間做出痛苦的選擇，而是可以通過巧妙的設(shè)計同時擁有兩者。這種思路的推廣將推動整個AI行業(yè)向更加實用和人性化的方向發(fā)展，最終讓AI技術(shù)更好地服務(wù)于人類的多樣化需求。

Q&A

Q1：TOWER+模型和普通的翻譯AI有什么區(qū)別？ A：普通翻譯AI只會翻譯，不能處理復(fù)雜指令。TOWER+既能精準(zhǔn)翻譯，又能像聊天機器人一樣對話、寫代碼、解數(shù)學(xué)題，就像一個既會翻譯又會其他技能的全能助手。

Q2：為什么說TOWER+ 2B這么小的模型能超越大模型？ A：關(guān)鍵不在參數(shù)多少，而在訓(xùn)練方法。TOWER+用了精心設(shè)計的四步訓(xùn)練法，就像科學(xué)的健身計劃比盲目舉重更有效。它證明了聰明的訓(xùn)練比暴力堆參數(shù)更重要。

Q3：IF-MT基準(zhǔn)測試是什么？為什么重要？ A：IF-MT測試AI能否在翻譯時同時遵循特殊要求，比如統(tǒng)一日期格式、保持術(shù)語一致等。這更接近真實工作場景，因為現(xiàn)實中的翻譯往往需要遵循各種規(guī)范和指令。