企业官网建设流程全解析

1. 概述

大语言模型（LLMs）在多语言翻译领域取得了显著进展，但普遍存在系统性的“跨语言冗长偏差”（Verbosity Bias），导致译文往往过于啰嗦，难以满足字幕翻译、视频配音等对时间预算（Time Budget）有严格要求的场景。现有的提示工程等难以在语义忠实度与长度约束之间取得平衡。为此，本研究首先提出了Sand-Glass基准测试，专门用于评估音节级长度约束下的翻译表现。随后，我们提出了HOMURA强化学习框架，通过 KL 正则化目标函数结合创新的“动态音节比例奖励”，显式优化语义保留与时间合规性之间的权衡。实验结果表明，HOMURA 能够精准“驯服”输出长度，在尊重不同语言密度差异的同时，显著优于主流 LLM 基线模型，实现了高质量、高合规性的时间受限翻译。当前HOMURA已经大规模应用于bilibili视频原声翻译场景中，为实现高质量、高合规性的时间受限翻译提供了可行的技术路径。论文链接：https://arxiv.org/pdf/2601.10187

HOMURA 已被 EMNLP 2026 接收为 Oral（口头报告）！

HOMURA 的音节控制方法也应用于哔哩哔哩 Index LLM 团队推出的 Index-Translate 系列。该系列的文本翻译模型覆盖 150 种语言，提供 2B、9B 和 35B-A3B（preview）三种规模，支持术语、格式、风格与上下文指令，并扩展出语音翻译模型 Index-Echo、音节控制模型 Index-Homura 和长文档翻译模型 Index-NativeLong。其中，Index-Homura 根据指定音节数调整译文，为字幕和配音等时间受限场景提供长度控制能力。

• 在线 Demo ：https://index-translate.bilibili.com/

• GitHub：https://github.com/bilibili/Index-Translate

• Hugging Face：https://huggingface.co/collections/IndexTeam/index-translate

• 免费 API：https://github.com/bilibili/Index-Translate#option-1-free-online-api-zero-gpu-setup

• Index-Translate 技术报告：https://arxiv.org/abs/2609.40181

2. 研究背景与挑战 (Background & Challenges)

随着大语言模型（LLMs）的飞速发展，其在神经机器翻译（NMT）中表现出了卓越的语义准确性。然而，这种语言能力伴随着一种系统性的**“跨语言冗长偏差”**。

如上图所示，论文提出的**回环膨胀率（Roundtrip Expansion Ratio）揭示了一个关键问题：即使语义内容保持不变，LLM 生成的译文往往比源话语显著更长。传统的评估指标往往忽略了这一点，但这种“喋喋不休”的特性在时间受限（Time-Constrained）**的场景（如字幕翻译、视频配音及同声传译）中是致命的。在这些场景下，译文长度构成了一个刚性的“时间预算”，直接决定了输出内容能否与画面或原声同步。

从信息论的角度来看，时间预算充当了严格的“速率约束”。模型必须在有限的音节配额内，通过词汇整合和句法重构，将最大化的信息密度压缩进最短的长度中。然而，现有的 LLM 很难自发实现这种平衡。这不仅是因为语言间的密度差异（如德语、西班牙语天然比中文占空间），更深层的原因在于 LLM 的对齐过程——现有的奖励模型往往存在“长度偏差”，倾向于给更长、更详细的回答打高分。因此，如何“驯服”模型的长度，使其在不损失核心语义的前提下满足严苛的时间约束，成为了多语言本地化领域亟待解决的建模挑战。

本文核心贡献总结：

• 诊断分析：系统量化了 LLM 翻译中的冗长偏差，并提出了回环膨胀率等跨语言诊断指标。

• 基准构建：引入了 Sand-Glass 数据集，通过音节级预算模拟真实的配音与字幕约束场景。

• 方法创新：提出了 HOMURA 强化学习框架，有效平衡了严苛的长度约束与语义保留。

3.基准测试与冗长偏差分析 (Pilot Study)

为了量化时间受限场景下的翻译挑战，本研究构建了Sand-Glass 基准测试，并对大语言模型的冗长偏差进行了深入诊断。

3.1 Sand-Glass 基准与音节度量

Sand-Glass 是一个源自真实视频语料的翻译基准。不同于通用翻译数据集，它引入了**音节（Syllable）**作为时间的代理指标。

• 等信息量原则（Iso-Information Principle）：科学研究表明，虽然不同语言的音节速率（SR）差异巨大（如西班牙语极快，汉语较慢），但全人类的信息传输速率恒定在约 39 bits/s。

• 语言密度差异：如下表所示，汉语的信息密度（0.94）远高于西班牙语（0.63）。这意味着从汉语翻译到西班牙语时，为了保持语义完整，译文长度天然需要膨胀约 1.49 倍。

3.2 诊断指标：回环膨胀率

传统的“正向膨胀率”无法区分译文变长是因为“语言本身的密度差异”还是因为“模型废话多”。为此，论文提出了回环膨胀率（Roundtrip Expansion Ratio）：

1.将源文翻译为译文。

2.将译文回译为源语言。

3.计算膨胀率：

结论：在理想状态下，同语言对比的回环膨胀率应接近 1.0。但在 Sand-Glass 上的测试显示（见下图），主流模型的 $\rho_{rtp}$ 普遍大于 1。这证明了 LLM 存在系统性的、与语言种类无关的冗长倾向。（上图展示了大模型翻译下的语言膨胀分布图）

3.3 校准目标区间

为了打破这种偏差，本研究对比了“理论膨胀率”与“LLM 实际膨胀率”，发现 LLM 普遍存在 30%-40%的额外冗余（Bias）。

基于此，HOMURA 框架设定了严苛的目标音节区间（Target Bounds）：

• 英语 (En)：设定为 [0.8, 0.9]（强制模型进行摘要式精简）。

• 德语 (De)：设定为 [0.9, 1.0]。

• 西班牙语 (Es)：将原本1.84倍的音节比大幅压低至 [1.0, 1.1]。

这种设定强制模型通过改写（Rewriting）而非简单删减，在极短的时间预算内实现信息的最大化对齐。

4. HOMURA 框架设计 (Methodology)

本研究将音节级控制建模为“可控文本生成”任务，目标是在满足严格音节比例约束的同时，最大化翻译质量。

4.1 KL 正则化目标与 GRPO 优化

为了实现精准控制，HOMURA 采用了基于KL 正则化的强化学习目标。其核心思想是：通过一个奖励函数 R(x,c,y) 鼓励模型满足长度约束，同时最大化模型翻译的生成质量。

• 优化算法：采用GRPO（Group Relative Policy Optimization）算法。该算法无需额外的 Critic 网络，通过在同一组样本内进行归一化来计算优势（Advantage），极大降低了计算开销，适合序列级别的奖励优化。

4.2 奖励机制设计 (Reward Design)

这是 HOMURA 能够精准“驯服”长度的关键。奖励函数由长度合规奖励和质量奖励两部分加权组成：

1. 动态音节比例奖励：

• 动态区间设定：基于前述的语言密度分级设定基础目标区间 [L_0, R_0]。

• 短句平滑处理：针对短句子（音节数少），微小的长度变化会导致比例剧烈波动（离散噪声）。本研究引入了动态缩放因子，对短句适度放宽下限。

• 平滑奖励函数：采用平方指数衰减函数而非简单的 0/1 判定，为优化过程提供连续的梯度引导，使模型逐渐向目标区间收敛。

2. 质量奖励：

为了确保压缩长度不会导致语义丢失或语句破碎，研究设计了两种质量评估路径：

• 基于准则的评估 (Rubric-based)：

• 语义忠实度：利用回译（Back-translation）机制，将生成的译文重新翻译回源语言，通过计算其与原句的**嵌入向量相似度（Embedding Similarity）**来衡量语义保留程度。

• 语言流利度：使用大模型作为裁判，针对语法、可读性和语言一致性进行打分。

• 基于推理的评估 (Reason-based / GenRM)：

通过训练一个专门的生成式奖励模型（GenRM），使其能够产生思维链（CoT）推理。该模型会先在内部进行回译和语义对比，再对流畅度做出判断，最后给出一个具备可解释性的二进制奖励信号。这种“先推理、后打分”的方式显著提升了奖励的鲁棒性。

5. 实验结果与分析 (Experimental Results)

本研究在 Sand-Glass 基准测试上对 HOMURA 进行了全面评估，并与 GPT-5、Claude-4.1 及 Gemini-pro-2.5 等主流模型进行了对比。

5.1 长度合规性与质量的权衡

实验结果表明，HOMURA 在满足严苛时间预算方面表现出显著优势。

• 精准的长度控制：相比于仅依靠提示词的模型，HOMURA 能够极高比例地将译文压缩在目标区间内。在英语、德语和西班牙语等多个语向中，HOMURA 的超限率（Over-length rate）远低于基线模型。

• 语义密度的提升：论文引入了语义密度指标，用于衡量单位音节内的语义价值。结果显示，HOMURA 在压缩长度的同时，保持了极高的语义保留率。这证明模型并非通过简单“删减”来缩短长度，而是通过**语义巩固（Semantic Consolidation）**实现了更高的信息密度。

5.2 强化学习过程中的行为分析

通过对训练过程的监控，我们观察到了模型策略的显著演变：

• 打破冗长先验（beta参数的影响）：实验中一个重要的发现是，当 KL 惩罚系数 beta > 0 时，模型往往会陷入“保守陷阱”，不敢大幅度重构句子。而当 beta = 0 时，模型能够彻底摆脱基座模型的啰嗦倾向，学会更激进且高效的表达方式。

• 梯度范数与优化动量：监控曲线显示，HOMURA 在优化过程中保持了稳定的梯度更新，能够有效地向“率失真（Rate-Distortion）”的前沿边界移动。

5.3 “压缩墙”的发现(The Compression Wall)

研究进一步探测了语义压缩的物理极限，我们基于设计自动压缩寻找最低极限。

实验发现，对于语言对，存在一个“有效压缩阈值”（如中英翻译约为 0.49）。一旦压缩要求低于这个阈值，语义准确性会发生非线性崩塌。HOMURA 的优势在于它能够极其接近这一极限而依然保持译文的流利度。

5.4 质量-压缩权衡分析(Quality-Compression Trade-off)

为了深入探讨模型在不同长度限制下的表现，本研究从“率失真（Rate-Distortion）”视角分析了翻译质量与输出长度之间的权衡关系。

1. 基线模型的局限性：如图所示，未经约束的基线模型通常聚集在“高质量、长文本”区域。虽然可以通过提示词迫使 LLM 缩短译文，但其翻译质量会随着压缩率的增加而剧烈下降。这表明普通 LLM 在降低“音节速率”时效率较低，难以在极短的预算内识别并保留核心语义信息。

2. HOMURA 的高效权衡：相比之下，HOMURA 展示了显著更高的率失真效率。在相同的音节预算下，HOMURA 的语义保真度显著优于基线；或者说，在保持相同质量水平的前提下，HOMURA 能实现更短的译文长度。

6. 结论 (Conclusion)

本研究深入探讨并解决了大语言模型（LLM）翻译中普遍存在的系统性“跨语言冗长偏差”，这一偏差是实现字幕翻译、视频配音等时间受限任务的主要障碍。

1. 基准构建：本研究引入了Sand-Glass基准测试。该基准基于“等信息量原则（Iso-Information Principle）”，利用音节预算模拟真实世界的时间约束，为量化评价翻译的“时间可行性”提供了科学工具。

2. 方法突破：提出了HOMURA强化学习框架。通过结合 KL 正则化目标函数与创新的“动态音节比例奖励”，该框架在无需参考译文的情况下，实现了极其严格的长度合规性，并显著提升了单位长度内的信息密度。

本研究不仅在工程上实现了精准的长度控制，更在理论上界定了语义压缩的边界（例如中英翻译中0.49的可行性阈值）。未来的工作将进一步验证该压缩边界在更多语言对中的普适性，并计划将 HOMURA 扩展至端到端语音翻译领域，探索语义与时长联合优化的更多可能性。

7. B站原声翻译效果展示

该功能依托 HOMURA 对时长的精准把控，生成了与原视频时间轴严格对齐的译文，从根本上解决了机器配音中‘音画不同步’或‘语速异常’的行业痛点，为用户带来了如同原生般的沉浸式视听体验。

https://www.bilibili.com/video/BV111BeBPEaD/?spm_id_from=333.337.search-card.all.click&vd_source=e946351224816c78650f22c3d26579ad

8. HOMURA 入选 EMNLP 2026 Oral 现场见

如果你也会参加 EMNLP，欢迎来听我们的oral、到poster现场交流，一起聊聊翻译、强化学习和多语言内容生产。

HOMURA 已被 EMNLP 2026 接收为 Oral（口头报告）。报告已安排在2026 年 10 月 27 日 09:00–10:30的 Machine Translation and Semantics session，地点F9-10。

我们也会参加Poster Session D（10 月 26 日 11:00–12:30，Hall H），以及WMT poster session，欢迎到现场交流。以上时间均为布达佩斯当地时间，具体安排请以 EMNLP 官方日程（https://2026.emnlp.org/program/）和 WMT 官方日程（https://www2.statmt.org/wmt26/program.html）为准。

现场还会发放精美谷子，欢迎来交流技术与使用体验，把喜欢的周边带回去。我们 EMNLP 见！

团队周边展示

-End-

作者丨Index LLM Team