GLOSS-MT：借助可编辑词典实现可控的低资源机器翻译

将预训练机器翻译（MT）模型适配到新术语通常需要新的平行数据以及新一轮微调，这对于低资源语言而言成本高昂。我们探讨了这样一个问题：在不损害预训练模型性能的前提下，能否为 MT 增加可控性并减少微调负担。GLOSS-MT 在离线 English-Twi 词典中查找源文本的名词短语，将每个找到的短语替换为其 Twi 翻译并保留原位置，然后仅对翻译模型进行一次微调，使其能够翻译这些混合输入。我们将相同的数据和流程应用于 NLLB-200（600M、1.3B、3.3B）、OPUS-MT en-tw 和 TranslateGemma 4B。在文档级 English-to-Asante Twi 基准测试（包含 84 份文档，涵盖四个领域）中，每个微调模型的 chrF2 得分均高于其预训练基线（提升 +2.85 至 +5.48），其中三个 NLLB 微调模型是表现最佳的开放系统（50.12–50.80）。在人工翻译的《圣经》段落上进行的直接可控性测试表明，所测试的三个微调模型能够写出词典术语中的 79%–97%；将每个词典条目替换为不同术语后，模型无需重新训练即可相应改变输出（新术语的出现率为 70%–97%）。我们公开发布模型、数据和代码。