Проблема локализации в LLM
Работа Tang et al. (2025) была расширена анализом способности пяти больших языковых моделей (LLM) к локализации времени, чисел и дат. В отличие от обычного перевода, локализация требует адаптации форматов (например, DD/MM/YYYY vs MM/DD/YYYY) под целевую культуру. Исследование фокусировалось на моделях, которые можно запустить на потребительском оборудовании (commodity hardware), что делает результаты применимыми для широкого круга разработчиков.
Методология и сравнение стратегий
Авторы вычислили базовое качество для каждой модели, а затем протестировали три различные стратегии улучшения точности. Ключевым выводом стало то, что внедрение принципов локализации непосредственно в контекст промпта (prompt context) дало статистически значимое улучшение точности. Это превзошло как прямой перевод, так и альтернативные стратегии оптимизации.
Ключевые метрики и результаты
Исследование включало 7 таблиц и 2 рисунка, детально описывающих производительность. Хотя точные проценты для каждой модели в аннотации не указаны, главный вывод подтверждает: контекстуализация правил локализации внутри промпта является наиболее эффективным методом среди протестированных.
| Стратегия | Результат | Примечание |
|---|---|---|
| Прямой перевод | Базовый уровень | Наименьшая точность локализации |
| Альтернативные стратегии | Улучшение | Ниже, чем у контекстного промпта |
| Локализация в промпте | Статистически значимый рост | Лучший метод для 5 протестированных LLM |
Значение для индустрии
Результаты показывают, что для задач локализации (чисел, дат, времени) не всегда нужны сложные пайплайны пост-обработки. Правильно структурированный промпт, содержащий правила локализации, позволяет даже моделям, работающим на ограниченном оборудовании, достигать высокой точности. Это упрощает интеграцию LLM в приложения, требующие строгого соответствия локальным стандартам.
Источник: arXiv cs.CL ↗