核心发现
方法论
采用控制实验设计，比较序贯（自我优化）与并行（独立采样）两种采样策略在不同预算条件下的性能。通过人类评估和自动指标（如COMET-Kiwi）分析翻译质量，结合AB测试和消融实验，探讨模型访问上下文的影响。研究还引入外部质量评估模型作为选择器，验证采样多样性与性能关系。
关键结果
- 序贯采样在预算较低时（如2-5轮）显著优于并行采样，提升平均COMET得分约1.5分，且在多语言、多指标上表现一致。人类评估显示，序贯采样增强翻译流畅性和自然度，但在大预算下可能导致准确率略有下降。实验还发现，限制上下文长度（单轮）能提升性能，表明上下文过多反而影响效果。
- 引入外部选择器后，序贯采样的性能提升更为明显，尤其在有限预算内表现优越。多轮采样中，性能趋于饱和或略有下降，表明多样性递减。AB测试显示，序贯采样的多轮输出在风格和流畅性上优于并行，但在忠实度方面略逊一筹。
- 消融实验表明，模型访问更大目标端上下文是性能提升的关键因素，而非模型的自我反思能力。限制上下文长度（如仅用第一轮）能显著改善性能，提示未来优化应关注上下文管理与多轮交互策略。
研究意义
本研究揭示了测试时扩展策略在机器翻译中的机制，强调多轮生成利用上下文信息提升翻译质量的潜力。通过对比不同采样策略，提供了理论基础和实践指南，推动大模型在实际应用中的效率提升。研究还强调了模型上下文管理的重要性，为未来多轮交互和自我优化技术提供了方向，具有重要的学术和工业价值。
技术贡献
提出系统性比较序贯与并行采样的框架，结合外部质量选择器实现多轮自我优化，首次系统性分析上下文对性能的影响。引入限制上下文长度的消融策略，验证上下文规模对性能的双刃剑作用。实验结果丰富，提供了多语言、多指标的全面评估，为未来多轮生成策略提供理论支撑和工程实践基础。
新颖性
首次系统性比较序贯（自我优化）与并行采样在大规模机器翻译中的性能差异，强调上下文规模对多轮生成效果的影响。提出限制上下文长度的策略，揭示上下文信息过载可能反而降低性能，突破传统仅强调上下文扩展的观点。这些发现为多轮交互和模型自我改进提供新思路，具有较强创新性。
局限性
- 实验主要在WMT24++数据集和少数语言对上进行，泛化到低资源或特殊领域仍需验证。模型选择器依赖外部指标，可能受到指标偏差影响。多轮生成的计算成本较高，实际部署存在效率瓶颈。模型在大预算下性能饱和甚至下降，提示多轮优化的边界尚未突破。
未来方向
未来将探索更智能的上下文管理策略，结合动态上下文选择与多轮交互优化。考虑引入强化学习或自我监督机制，提升模型在多轮生成中的稳定性和忠实度。扩展到更多任务场景，如对话系统和内容生成，验证策略的普适性。进一步研究多轮生成的理论边界，推动自我反思与优化的深度融合。
AI 总览摘要
随着大规模语言模型（LLMs）在机器翻译中的应用不断深入，测试时扩展（test-time scaling）策略成为提升性能的重要手段。传统上，采样策略主要分为并行（多样性高但效率低）和序贯（逐轮优化但复杂）两类。本文系统比较了这两种策略在不同预算条件下的表现，发现序贯采样在有限预算内具有更高的样本效率和性能潜力。通过引入外部质量选择器，模型在多轮生成中显著优于单轮翻译，尤其在早期轮次表现突出。人类评估进一步验证，序贯采样提升了翻译的流畅性和自然度，但在大预算下可能略失准确性。研究还揭示，模型访问更大目标端上下文是性能提升的关键，而非模型的自我反思能力。限制上下文长度的消融实验表明，过多上下文反而会削弱效果，提示未来应优化上下文管理策略。这些发现为多轮生成和模型自我优化提供了理论基础，推动了LLMs在实际场景中的应用潜力。尽管如此，当前方法在低资源场景和高成本环境中仍面临挑战，未来需探索更高效的上下文调度和多轮交互机制，以实现更广泛的工业应用。整体而言，本研究为理解和提升大模型翻译性能提供了新的视角和实践路径，具有重要的学术和产业价值。
深度解读
原文摘要
Two forms of test-time scaling for Large Language Models (LLMs) have emerged as effective and widely adopted paradigms: sequential, in which later answer attempts depend on earlier ones, and parallel, such as i.i.d. sampling with reranking. In this study, we investigate their properties in translation. First, our study shows that sequential sampling has a higher performance ceiling, providing a more diverse and effective pool of samples, particularly under smaller sampling budgets. Second, we interrogate the nature of test-time scaling through a multidimensional manual analysis. Human analysis of the Best-of-$N$ translations demonstrates that sequential sampling substantially improves translation fluency and naturalness, but can degrade accuracy when inference budgets are large. Finally, we suggest an explanation of the mechanism through which sequential scaling improves machine translation. Our controlled analysis partially attributes the success of sequential self-improvement to the model's access to a larger target-side context. Ablation experiments on sequential sampling demonstrate its robustness across different sampling temperatures, while also revealing sensitivity to context construction, suggesting directions for future improvement.