博客

I. 引言
在当今全球化的商业环境中，拓展海外业务的企业需要高质量的翻译支持，以满足产品用户界面、技术文档、营销材料等针对目标市场的内容需求。随着人工智能技术的进步，企业面临关键挑战：如何利用AI提升翻译质量？如何将翻译工作流程标准化为工具链？以及如何构建实用的质量评估体系？
本文聚焦于中英文翻译，借鉴ZStack的文档实践，深入探讨部署和微调本地模型、一站式AI翻译平台背后的设计理念，以及在实施过程中遇到的挑战。关于多语言翻译场景的洞见，请继续关注我们官方账号的未来更新。
II. 本地模型部署和微调
大型语言模型（LLMs）如ChatGPT在一般翻译任务中表现出色。利用零样本学习和提示工程，LLMs在流畅度和上下文理解方面超越了传统的机器翻译系统，满足大多数日常语言需求。
然而，这些通用的LLMs在应用于专业技术翻译时，如云计算文档，常常无法把握公司特定的术语和写作规范，显示出明显的局限性。
图1. 通用LLMs在翻译中的局限性
为应对这些挑战，ZStack采用了“基础模型+微调”的方法，围绕五个关键步骤构建专业的翻译能力。
1. 数据准备
模型微调的结果在很大程度上取决于训练数据的质量。为确保这一点，ZStack实施了一个多层次、严格策划的语料库选择框架，战略性地平衡了源分布：50%核心技术文档（例如，用户指南），至少40%产品用户界面字符串（例如，界面提示），以及10%辅助材料（例如，实践教程）。所有双语语料都必须通过严格的术语准确性、风格一致性、技术深度和场景覆盖验证。
2. 模型选择
ZStack选择了Qwen2.5-7B-Instruct开源模型作为基础模型，该模型在多语言处理和架构可扩展性方面表现出色，同时保持了平衡的7B规模。
3. 模型微调
LoRA（低秩）等技术使微调变得高效。ZStack仅使用一个NVIDIA 3090 GPU训练模型，大幅降低了计算成本。
4. 模型评估
评估系统结合了自动化指标（BLEU、ROUGE、COMET）和专业英文技术作者的手动审查，从多个维度评估质量。
5. 模型迭代
为使模型与不断演变的业务需求保持一致，ZStack采用了“3+1”更新周期：三个月用于训练语料准备，一个月用于模型调整和质量检查。这一定期流程使我们能够通过添加新数据和根据反馈采取行动，持续改进模型。
图2. 微调LLMs的五个关键步骤
III. ZStack AI翻译平台：设计理念
下一个挑战是将微调后的LLM无缝集成到翻译工作流程中。
ZStack AI翻译平台由ZStack AIOS平台提供支持，从AI基础设施到应用界面提供完整解决方案。它结合了ZStack的专业语料库和定制微调的LLMs，提供一站式翻译管理。
图3. 总体设计框架
1. 基础设施层
该层集成了基本组件：
模型中心：存储和组织所有AI模型，包括即用型模型和定制模型。
微调工作区：允许您使用自己的数据集微调模型。
推理服务：快速将模型投入生产。
数据管理：通过虚拟机实例提供管理界面和数据库服务。
2. 核心功能层
平台具有四个核心模块：
语料库管理：持续收集高质量的双语资源。
文本翻译：支持内部和外部模型，提供并排比较和一键将高质量翻译添加到语料库。
文件翻译：翻译单个或多个文件（.dita、.txt、.md、.doc、.xlsx等），提供实时进度更新和预览选项。
系统设置：提供访问控制和外部模型集成，以增加灵活性。
3. 应用接口层
通过标准化API连接内部和外部系统。
内部使用：文档工单、知识库、海外支持。
外部使用：产品用户界面翻译、错误代码标准化、多语言网站。
IV. 实施挑战和解决方案
1. DITA文档分割和重组
鉴于LLMs在处理结构化和层次化内容方面的固有能力，ZStack在构建DITA语料库时采用了格式保留策略，以完全保留DITA文档的原始内容结构和标记信息。
与传统的纯文本翻译工作流程不同，这种方法显著减少了格式化元素和引用（如标签、属性值和嵌入式代码块）的后处理工作量，从而降低了整体翻译复杂性。然而，由于LLM令牌限制，长文档仍需要分割以避免截断。
由于翻译在很大程度上依赖于上下文，ZStack在段落级别分割DITA内容，以防止孤立的单词或破碎的句子。
为实现这一点，ZStack开发了一种自适应分割算法，将