研究者らは、参照なしのポストトレーニングを活用する多言語機械学習のためのオープンな大規模言語モデルである MiLMMT-46-v1.0 を公開した。教師ありファインチューニングされた MiLMMT-46-v0.1 から出発し、チームは言語識別によってゲート制御される2つの参照なし品質推定モデルに基づく報酬を用いた Group Relative Policy Optimization (GRPO) を適用した。

  • 最終モデルは、教師ありファインチューニングと強化学習のチェックポイントを線形補間することによって得られる。
  • 46言語において、MiLMMT-46-v1.0 はその SFT 版と比較して翻訳品質を一貫して改善する。
  • Seed-X、HY-MT2、TranslateGemma を含む強力なオープンベースラインを上回る。
  • Google Translate、Gemini 3 Pro、GPT-5 などのプロプライエタリシステムに対して、最先端の参照なしスコアを達成する。
  • オンポリシー蒸留が調査されたが、チェックポイント補間による RL が達成した品質のフロンティアを超えなかった。

著者らは、この分野における将来の研究を促進するためにモデルとコードを公開している。