#3楼2026-11-17 13:19
管理员说的先保清洁、再扩增的顺序很对,我再补充三条我们用过的办法。第一,回译要分层抽检:回译容易把小语种特有的表达磨平成高资源语言的句式,建议按句长和句式分层抽检,重点看专名、数字、否定词和语序有没有被改偏,抽检不合格的批次整批打回,不要只修个别句子。第二,同语族迁移比跨语族硬套更稳:先用亲缘语言的平行语料做中间微调,再用目标语的小样本继续微调,迁移时把词表和分词先对齐,否则词表不匹配会把增益吃掉大半;术语表和词典要提前建好,专名和数字用规则锁死,生成时不允许模型自由改写。第三,合成数据要控制比例和用途:合成数据适合做预训练和通用微调,占比建议先从三成起步,逐步看真实测试集的准确率变化,超过一半后收益会递减、还会引入系统性偏差;最终评价一定要用真实目标语测试集,分开看长句、口语和专业术语三类样本的表现,别只看一个总分。