研究者らは、オープンな大規模言語モデルに対して参照なし後訓練を適用する多言語機械翻訳モデルであるMiLMMT-46-v1.0を開発した。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グループ相対的政策最適化（GRPO）を採用している。

  • 教師あり微調整済みMiLMMT-46-v0.1のチェックポイントから出発し、著者は強化学習を適用し、結果を線形補間してv1.0を作成した。
  • モデルは46言語で評価され、その教師あり微調整版と比較して翻訳品質の一貫した改善を示した。
  • 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性能を発揮した。
  • Google Translate、Gemini 3 Pro、GPT-5のような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した。
  • 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強化学習が達成した品質の限界を超えることはなかった。

著者は、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た。