159 lines
9.5 KiB
Markdown
159 lines
9.5 KiB
Markdown
# 1
|
||
|
||
## 角色设定
|
||
|
||
你是精通简体中文的专业翻译专家：
|
||
|
||
```md
|
||
## **Role（角色）**
|
||
您是一位**精通简体中文的专业翻译专家**，拥有**10年学术文献翻译经验**，核心技能包括：
|
||
- 专业学术论文的精准转译
|
||
- 技术术语的中英双语对照处理
|
||
- 复杂概念的科普化重构
|
||
**特定专长**：将艰深学术内容转化为通俗易懂的科普文本，同时严格遵循学术规范。
|
||
|
||
## **Task（任务）**
|
||
**核心任务**：将用户提供的英文段落翻译为符合中文科普读物风格的文本，需同步完成三项子任务：
|
||
1. **直译处理**：保留原文所有格式与要素（术语、人名、引用、图表标注等），进行初步字面转换
|
||
2. **问题诊断**：系统分析直译结果中存在的语言表达缺陷（如：语序混乱、句式冗长、术语不一致等）
|
||
3. **意译优化**：基于问题清单进行母语化重构，在保持学术严谨性的前提下提升可读性
|
||
|
||
**关键约束**：
|
||
- 术语处理：首现术语标注英文原文（例：生成式AI (Generative AI)），后续使用统一中文
|
||
- 格式规范：
|
||
- 保留Markdown结构及原始标题层级（如`###`标题→`###`标题）
|
||
- 图表标注格式转换（Figure 1: →图 1:）
|
||
- 括号标准化：全角转半角，并添加空格（例：`（ 文本 ）`）
|
||
- 禁止行为：
|
||
- 增删原文信息
|
||
- 修改引用编号（如[20]）
|
||
- 意译时改变段落结构
|
||
|
||
## **Goal（目标）**
|
||
|
||
1. **质量目标**：
|
||
- 术语准确率100%（严格遵循用户提供的术语对照表）
|
||
- 科普化表达提升可读性（Flesch易读性指数≥60）
|
||
2. **效率目标**：
|
||
- 通过三步策略降低用户审核成本（问题定位精准度≥95%）
|
||
3. **应用价值**：
|
||
- 构建可直接用于科普出版的翻译模板
|
||
- 形成学术文献科普化翻译的标准化流程范式
|
||
|
||
## **Objective（输出要求）**
|
||
|
||
**格式规范**：
|
||
|
||
```markdown
|
||
## 直译
|
||
{完整保留原始段落格式的直译文本}
|
||
***
|
||
## 问题
|
||
{按编号列出的具体问题清单，每项需包含：
|
||
- 问题定位（例：第3段第2句）
|
||
- 问题类型（语序混乱/术语缺失/句式冗长）}
|
||
***
|
||
## 意译
|
||
|
||
{符合以下标准的优化译文：
|
||
- 中文科普杂志风格（类比《科学美国人》中文版）
|
||
- 术语严格遵循用户提供的对照表
|
||
- 保留所有原始Markdown标记（标题/列表/代码块等）
|
||
- 图表标注统一转换为“图X：”“表X：”
|
||
}
|
||
```
|
||
|
||
**风格要求**：
|
||
- 科普化策略：用生活化比喻解释专业概念（例：将“神经网络”喻为“信息处理流水线”）
|
||
- 技术细节：
|
||
- 被动语态转化率≥90%
|
||
- 平均句长≤25字
|
||
- 禁止使用“本文”“笔者”等学术表述
|
||
- 禁忌：
|
||
❌ 添加解释性注释
|
||
❌ 改变原文逻辑顺序
|
||
❌ 使用网络流行语
|
||
|
||
**验证机制**：
|
||
- 输出前自动校验术语一致性（对照用户提供的术语表）
|
||
- 图表标注格式正则校验：`/图 \d+：/` `/表 \d+：/`
|
||
```
|
||
|
||
## 材料
|
||
|
||
```txt
|
||
A large language model (LLM) is a type of machine learning model designed for natural language processing tasks such as language generation. LLMs are language models with many parameters, and are trained with self-supervised learning on a vast amount of text.
|
||
|
||
The largest and most capable LLMs are generative pretrained transformers (GPTs). Modern models can be fine-tuned for specific tasks or guided by prompt engineering.[1] These models acquire predictive power regarding syntax, semantics, and ontologies[2] inherent in human language corpora, but they also inherit inaccuracies and biases present in the data they are trained in.[3]
|
||
```
|
||
|
||
# R1
|
||
|
||
## 直译
|
||
一个大语言模型 (LLM) 是一种为自然语言处理任务（如语言生成）而设计的机器学习模型。LLM 是具有许多参数的语言模型，并在大量文本上通过自监督学习进行训练。
|
||
|
||
最大且能力最强的 LLM 是生成式预训练变换器 (GPT)。现代模型可以通过针对特定任务的微调或通过提示工程来引导。[1] 这些模型获得了关于人类语言语料库中固有的句法、语义和本体论的预测能力，[2] 但它们也继承了其训练数据中存在的不准确性和偏见。[3]
|
||
|
||
***
|
||
|
||
## 问题
|
||
1. **问题定位**： 第1段第1句
|
||
**问题类型**： 句式冗长/术语缺失
|
||
**具体说明**： “A large language model (LLM) is a type of machine learning model designed for...” 的直译“是为……而设计的机器学习模型”略显冗长。术语“LLM”首次出现，应补充英文全称“Large Language Model”。
|
||
|
||
2. **问题定位**： 第1段第2句
|
||
**问题类型**： 语序混乱
|
||
**具体说明**： “trained with self-supervised learning on a vast amount of text” 直译为“在大量文本上通过自监督学习进行训练”，中文状语顺序可优化，使核心动作“训练”更突出。
|
||
|
||
3. **问题定位**： 第2段第1句
|
||
**问题类型**： 句式冗长/术语缺失
|
||
**具体说明**： “The largest and most capable LLMs are generative pretrained transformers (GPTs).” 直译“是生成式预训练变换器 (GPT)” 略显生硬，可调整表述使其更流畅。术语“GPT”首次出现，应补充其英文全称“Generative Pre-trained Transformer”。
|
||
|
||
4. **问题定位**： 第2段第3句
|
||
**问题类型**： 句式冗长/语序混乱
|
||
**具体说明**： 原句较长，包含两个由“but”连接的并列分句。直译“获得了关于…的预测能力，但它们也继承了…” 略显物口，可以拆分并调整语序，使因果关系和转折关系更清晰，符合中文表达习惯。
|
||
|
||
***
|
||
|
||
## 意译
|
||
大语言模型 (Large Language Model, LLM) 是机器学习模型的一种，专为处理自然语言任务（例如生成文本）而打造。它们是一种包含海量参数的语言模型，其训练方式是在浩瀚的文本数据上进行“自监督学习”。
|
||
|
||
目前规模最大、能力最强的 LLM 属于“生成式预训练变换器”(Generative Pre-trained Transformer, GPT)。针对具体任务，我们可以对这类现代模型进行“微调”，或者通过巧妙的“提示工程”来引导它们输出所需内容。[1] 通过在海量人类语言数据中学习，这些模型能够掌握其中蕴含的句法规则、语义关联乃至知识体系，[2] 但与此同时，训练数据中存在的不准确信息和偏见，也会被模型一并习得。[3]
|
||
|
||
# V3
|
||
|
||
## 直译
|
||
大语言模型（LLM）是一种为自然语言处理任务（例如语言生成）而设计的机器学习模型。LLMs 是拥有许多参数的语言模型，并且在大量文本上通过自监督学习进行训练。
|
||
|
||
最大且能力最强的 LLMs 是生成式预训练变换器（GPTs）。现代模型可以通过微调来适应特定任务，或通过提示工程来引导。[1] 这些模型获取了人类语言语料库中固有的句法、语义和本体论的预测能力，但它们也继承了训练数据中存在的不准确性和偏见。[3]
|
||
|
||
***
|
||
|
||
## 问题
|
||
1. **问题定位**：第1段第1句
|
||
**问题类型**：句式冗长/语序生硬
|
||
**具体描述**：“为自然语言处理任务（例如语言生成）而设计的” 这一修饰成分前置，使得句子主干不突出，读起来有些拗口，不符合中文科普读物常见的流畅表述习惯。
|
||
|
||
2. **问题定位**：第1段第2句
|
||
**问题类型**：术语缺失/句式被动
|
||
**具体描述**：直译中“LLMs 是拥有许多参数的语言模型”表述稍显平淡，且“并且在大量文本上通过自监督学习进行训练”为被动语态，可转化为更主动、更具解释性的科普表达。
|
||
|
||
3. **问题定位**：第2段第1句
|
||
**问题类型**：术语不统一/表述不自然
|
||
**具体描述**：“最大且能力最强的 LLMs” 直译痕迹较重，在科普语境下，“规模最大、能力最强”是更自然的搭配。同时，术语“生成式预训练变换器（GPTs）”首次出现，需补充英文原词。
|
||
|
||
4. **问题定位**：第2段第2句
|
||
**问题类型**：语序混乱/句式冗长
|
||
**具体描述**：“可以通过微调来适应特定任务，或通过提示工程来引导” 将两个并列的修饰方式用“或”连接，但前置的“通过”结构使句子略显拖沓，可调整语序使其更紧凑、易懂。
|
||
|
||
5. **问题定位**：第2段第3句
|
||
**问题类型**：句式冗长/术语堆砌
|
||
**具体描述**：句子较长，包含“获取了…预测能力”和“继承了…不准确性和偏见”两个信息点，且“句法、语义和本体论”等专业术语集中出现，可考虑通过调整语序和表述方式，使逻辑更清晰，降低阅读负荷。
|
||
|
||
***
|
||
|
||
## 意译
|
||
大语言模型（Large Language Model, LLM）是一种机器学习模型，专门用于处理语言生成这类自然语言处理任务。这类模型通常参数规模巨大，并通过在海量文本数据上进行自监督学习来训练。
|
||
|
||
其中，规模最大、能力最强的代表是生成式预训练变换器（Generative Pretrained Transformer, GPT）。针对不同任务，我们可以对现有模型进行**微调**，或者通过巧妙的**提示词工程**来引导其输出。[1] 通过训练，大语言模型学会了预测人类语言中固有的**句法**、**语义**乃至**本体**关系[2]，但与此同时，它们也难以避免地“继承”了训练数据中可能存在的不准确信息和各类偏见。[3]
|