大模型评测方面的最新研究

所属章节：类ChatGPT的模型评测对比；manifest 索引：4；原始行号：109

事实边界：实时页面核验时间为 2026-08-04。仅把当前可见页面直接支持的内容写为事实；无法访问、只显示站点外壳、超时或身份不明的信息均记为“待核实”。

项目简介

当前可确认名称：Document-Level Machine Translation with Large Language Models

Large language models (LLMs) such as ChatGPT can produce coherent, cohesive, relevant, and fluent answers for various natural language processing (NLP) tasks. Taking document-level machine translation (MT) as a testbed, this paper provides an in-depth evaluation of LLMs' ability on discourse modeling. The study focuses on three aspects: 1) Effects of Context…

原始目录将它收录在“类ChatGPT的模型评测对比”章节。原始描述为：长文本建模一直是ChaGPT令人惊艳的能力之一，我们以【篇章翻译】为实验场景，对大模型的篇章建模能力进行全面、细粒度的测试。。目录描述反映收录时的理解，不自动等同于当前版本能力。

实时核验摘要

本次逐站访问 1 个原始链接，其中 1 个取得可确认页面证据，0 个跳过或报错。正式名称按页面显示记为“Document-Level Machine Translation with Large Language Models”。

  • 可确认页面：1
  • 跳过或错误页面：0
  • 页面类型：论文摘要或论文 PDF
  • 核验时间：2026-08-04T10:15:45.119Z

项目特色

论文以“Large language models (LLMs) such as ChatGPT can produce coherent, cohesive, relevant, and fluent answers for various natural lang…”为核心研究问题，特色在于给出可引用的方法或实证分析。

该特色只依据本次可访问页面提炼，不把 Star 数、历史宣传语或第三方目录评价直接当作性能结论。

核心功能

Large language models (LLMs) such as ChatGPT can produce coherent, cohesive, relevant, and fluent answers for various natural language processing (NLP) tasks. Taking document-level machine translation (MT) as a testbed, this paper provides an in-depth evaluation of LLMs' ability on discourse modeling. The study focuses on three aspects: 1) Effects of Context…

对于模型效果、速度、成本、稳定性与安全性的判断，仍需在目标版本、硬件和数据条件下单独测试；本文没有复现实验。

技术栈与资料范围

论文资料；研究对象、实验范围与数据集以摘要和论文正文为准。

数据规模、模型参数、上下文长度或基准成绩只有在当前页面明确展示时才可引用；没有页面证据的数字均为待核实。代码仓库许可证也不当然覆盖模型权重、训练数据和外部服务。

适用场景

适合作为“类ChatGPT的模型评测对比”方向的调研入口，用于阅读方法、比较工具、复现实验或构建候选方案。实际采用前应先区分它是软件、模型、数据集、论文、榜单还是资料清单，再确定验证指标。

生产使用需额外检查隐私、合规、上游模型条款、数据授权、资源消耗和故障降级。历史文章中的模型、价格与服务名称可能已经变化。

安装或使用入口

原链接为论文入口，未必提供软件安装；代码入口若论文明确给出，应从论文关联仓库核验。

任何需要账号、API 密钥、模型权重或大规模算力的步骤，都应以当前官方说明为准。本文不生成页面未明确给出的凭据、参数或下载地址。

实践建议

  1. 先保存页面版本、提交号或论文版本，再记录实验环境。
  2. 从最小示例开始，确认依赖、输入输出和许可证边界。
  3. 对模型或榜单类项目固定数据集、提示模板、随机性与评价标准。
  4. 对资料清单逐条回到原论文或官方仓库，不把二手摘要当作最终依据。
  5. 若入口失效，记录日期与错误，不根据项目名猜测迁移位置。

优势与限制

优势：本条目至少保留了明确的主题、原始入口和可追踪的核验记录；可访问页面还提供了与项目定位直接相关的证据。

限制：页面内容会变化，本次访问没有验证运行结果、性能数字、价格、服务可用性或全部上游依赖。对 PDF、图片和动态在线文档，浏览器可见信息可能少于原文件全文。

维护状态、版本与许可证

维护状态：论文页面当前可访问；[2304.02210] Document-Level Machine Translation with Large Language Models。

版本或更新时间：待核实。许可证：待核实。

若仓库同时包含代码、模型和数据，必须分别核对 LICENSE、模型卡、DATA_LICENSE 与上游底座条款；“开源”不等同于不受限制的商业使用。

原始链接与逐站访问结果

原始 URL状态HTTP页面标题最终 URL证据摘要跳过原因
arxiv.orgverified待核实[2304.02210] Document-Level Machine Translation with Large Language Modelshttps://arxiv.org/abs/2304.02210Large language models (LLMs) such as ChatGPT can produce coherent, cohesive, relevant, and fluent answers for various natural language processing (NLP) tasks. Taking document-level machine translation (MT) as a testbed, this paper provides an in-depth evaluation of LLMs' ability on discourse modeling. The study focuses on three aspects: 1) Effects of Context…—

核验清单

  1. slug 保持为 project-109。
  2. 保留 1 个原始链接并逐站记录。
  3. 正式名称、页面类型、功能和资料范围均按页面证据或“待核实”处理。
  4. 安装入口没有脱离原始页面补写。
  5. 维护状态、版本、许可证和项目特色均声明证据边界。
  6. 文章规范地址：/articles/project-109-polished-guide