ニュース

Fine-Tuning LLMs for Translation: General Forgetting Mitigation Does Not Preserve MT-Specific Instruction Following

arXiv cs.AI · 公開日 2026年9月23日 · 読了3分

30秒で要点

何が起きたか: Fine-tuning LLMs on translation data causes catastrophic forgetting, and standard mitigation methods fail to preserve translation-specific instruction following like formality control.
なぜ重要か: Engineers building multilingual systems or adapting LLMs for machine translation need to understand trade-offs between general capability retention and translation task performance.
注意点: Elastic Weight Consolidation preserves general benchmarks but not translation-specific controls; data mixing works only on seen prompts and does not generalize to unseen variants.

各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。

1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。

週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。

ニュース

arXiv cs.AI · 公開日 2026年9月23日 · 読了3分

何が起きたか: Fine-tuning LLMs on translation data causes catastrophic forgetting, and standard mitigation methods fail to preserve translation-specific instruction following like formality control.
なぜ重要か: Engineers building multilingual systems or adapting LLMs for machine translation need to understand trade-offs between general capability retention and translation task performance.
注意点: Elastic Weight Consolidation preserves general benchmarks but not translation-specific controls; data mixing works only on seen prompts and does not generalize to unseen variants.

各ページで、技術の仕組み、コストに見合う場面、そして破綻する条件を解説しています。

1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。

週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。