比特派钱包app官方版|wmt

WMT | Machine Translate

WMT | Machine Translate Skip to main content Link Menu Expand (external link) Document Search Copy Copied Machine Translate EventsCalls for papers APIsNiutransAlibaba TranslateModernMTBaidu TranslateGoogle TranslateMicrosoft TranslatorNeuralSpaceYoudao TranslateLingvaNexYandex TranslateTexTraAmazon TranslateAppTekLanguage WeaverWordlingoSYSTRANKantanMTOmniscien TechnologiesWatson Language TranslatorIconicLiltIP TranslatorDeepLApertiumXL8PROMTGlobaleseKodensha MTSAP Translation HubeTranslationUnbabelLingmo TranslationReversoRozetta T-400TildeTextshuttleSogou TranslateTencent Machine TranslationAISAKakaoMirai TranslatorT-tact-AN-ZINAlexa Translations A.I.Lingo24Papago TranslationPangeaMTLucyTranslateMeLanguage WirePhrase NextMTCloudTranslationTAPTAEliaTrebeTauyouJudicioMosesBelazarLengooOpus CATSunda TranslatorTarjama MTUbiqus NMTYeeKitAcoladFairtradeGeofluentLingua CustodiaLT GearMoraviaMTNpatMTOctaveMTPlata VicomtechSkrivanekSlate DesktopTransPerfect NMTSafaba Features Customisation Adaptive machine translation Fine-tuning Formality Glossaries Data confidentialityPricing IntegrationsTrados StudioPhrase TMSmemoQXTMCrowdinMateCatWordbeeWordfastGlobalLinkOmegaTSmartcattranslate5AcrossMultitransSmartlingTransitNXTTolgeeTransifexPassoloeLUNaWeglotKantanStreamGoogle Cloud Translation HubWorldServerGroupShareLiltSDL TMS AggregatorsIntentoCustom.MTTMXmallEden AICrosslang MT GatewayMTransHuman Science Quality estimationModelFrontDeMT EstimatePhrase MTQEOmniscien Confidence ScoresKantanQESGoogle Translation Hub MTQP Languages Building and researchAutomatic post-editing Approaches Rule-based machine translation Statistical machine translation Neural machine translation DataTrainingQuality evaluation Metrics BLEU METEOR COMET YiSi chrF NIST BERTScore TER Human evaluation metrics Multi-engine machine translationTags and placeholdersLocale Other input types Speech BridgingHuman-in-the-loopLibraries and frameworksZero-shot translation ConceptsAttentionLanguage modelN-gramSentence splittingStringTokenVectorVocabularyWord embeddings Resources TutorialsEducationPublicationsReports More People Warren Weaver Petr Troyanskii Yehoshua Bar-Hillel Georges Artsrouni Margaret Masterman Peter Toma John Hutchins Hermann Ney Salim Roukos Jaime Carbonell Andy Way Daniel Marcu Alon Lavie Philipp Koehn Franz Josef Och Ondřej Bojar Matt Post Jean Senellart Kishore Papineni Martin Popel Lucia Specia CompaniesResearch laboratoriesCommunities Associations AAMT AMTA EAMT IAMT MT Summit SIGMT SIGSLT WMT About the Machine Translate FoundationCommunityNewsletter ContributingStyleComing soonContributorsRoadmap This site uses Just the Docs, a documentation theme for Jekyll. More Associations WMT WMT The Conference on Machine Translation WMT is the main event for machine translation and machine translation research. The conference is held annually in connection with larger conferences on natural language processing. The conference aims to bring together academic scientists, researchers and industry representatives to exchange and share their experiences and research results. WMT plays a key role for the entire industry of computational linguistics and machine translation. In 2006, the first Workshop on Machine Translation was held at the NAACL (North American Chapter of the Association for Computational Linguistics Annual Meeting). In 2016, with the rise of neural machine translation, WMT became a conference of its own. The Conference on Machine Translation is still mainly known as WMT. Universities, research laboratories and big technology companies consistently participate in the conference and are represented in the organising committee. Table of contents Events Shared tasks Recurrent tasks Translation tasks Evaluation tasks Other tasks Discontinued tasks Organisers Events       WMT22 Eighth Conference on Machine Translation EMNLP 2022 WMT21 Seventh Conference on Machine Translation EMNLP 2021 WMT20 Sixth Conference on Machine Translation EMNLP 2020 WMT19 Fourth Conference on Machine Translation ACL 2019 WMT18 Third Conference on Machine Translation EMNLP 2018 WMT17 Second Conference on Machine Translation EMNLP 2017 WMT16 First Conference on Machine Translation ACL 2016 WMT15 Workshop on Statistical Machine Translation EMNLP 2015 WMT14 Workshop on Statistical Machine Translation ACL 2014 WMT13 Workshop on Statistical Machine Translation ACL 2013 WMT12 Workshop on Statistical Machine Translation NAACL 2012 WMT11 Workshop on Statistical Machine Translation EMNLP 2011 WMT10 Workshop on Statistical Machine Translation ACL 2010 WMT09 Workshop on Statistical Machine Translation EACL 2009 WMT08 Workshop on Statistical Machine Translation ACL 2008 WMT07 Workshop on Statistical Machine Translation ACL 2007 WMT06 Workshop on Statistical Machine Translation NAACL 2006 Shared tasks WMT includes competitions on different aspects of machine translation. These competitions are known as shared tasks. Typically, the task organisers provide datasets and instructions. Teams submit the output of their systems. The submissions are ranked with human evaluation. The results of the competition are ready before the conference takes place. During the main conference, researchers present the results of the shared tasks and winners are announced. WMT started in 2006 with a translation task. In the following years, WMT included themes on all aspects of machine translation, corpus preparation, training, and evaluation. The main task is the General machine translation task. Until 2022, it was known as the News task because traditionally the content to be translated was news articles. Recurrent tasks Translation tasks General machine translation task (former News task) Biomedical translation task Multimodal translation task Unsupervised and very low resource translation task Lifelong learning in machine translation task Chat translation task Life-long learning in machine translation task Machine translation using terminologies task Sign language translation task Robustness translation task Triangular machine translation task Large-scale multilingual machine translation task Evaluation tasks Metrics task Quality estimation task Other tasks Automatic post-editing task Discontinued tasks Medical text translation task Pronoun translation task Bilingual document alignment Similar language translation task Multilingual low-resource translation task for Indo-European languages Tuning task Parallel corpus filtering task Task on training of neural machine translation Task on bandit learning for machine translation The published results from the shared tasks and the data sets released for WMT are standard benchmarks across machine translation research. Organisers Organisers are the people responsible for the contents for the main event and the contents, guidelines, datasets and results for each shared task. Some people have been organisers over many years: Philipp Koehn Barry Haddow Loïc Barrault Ondřej Bojar Lucia Specia Marco Turchi Matt Post Rajen Chatterjee Christof Monz Matteo Negri Matthias Huck Christian Federmann Christof Monz Yvette Graham Mariana Neves Tom Kocmi ↑ Want to learn more about WMT? Search the community for WMT Ask a question about WMT Edited on by . Edit this article → Machine Translate is created and edited by contributors like you! Learn more about contributing → Licensed under CC-BY-SA-4.0. Cite this article →

LanguageX斩获WMT2022世界机器翻译大赛英中冠军 - 知乎

LanguageX斩获WMT2022世界机器翻译大赛英中冠军 - 知乎切换形式写文章登录/注册LanguageX斩获WMT2022世界机器翻译大赛英中冠军李光华DavidLee大众号@David的AI全景图、AI翻译LanguageX近来，全球尖端机器翻译赛事——世界机器翻译大赛（WMT 2022）落下帷幕，发布了华为、三星、京东探究研讨院、思必驰、Systran、LanguageX等多支参赛部队参赛成果。LanguageX锋芒毕露，一举夺得英中赛道冠军。作为世界尖端的机器翻译赛事，WMT自2006年开办以来，现已成功举行了17届。每年大赛招引的参赛者包含Facebook、谷歌Deepmind、微软、阿里、腾讯、字节跳动等，每一次机翻成果的提交都是参赛者对进一步进步机翻质量做出的不懈探究。与从前不同的是，跟着近年来机翻质量的不断改进，2022年的WMT赛事应用了全新的规矩，即不再将新闻类语料作为仅有测验语料，而是将要点放在进步机器翻译在通用范畴的体现，触及语料范畴更广泛，如电商、医疗等，对机器翻译质量提出了比历年更高的要求。◉本次大赛选用了一种全新的主动评价目标：COMET。COMET（用于评价译文的跨言语优化目标）是一种用于评价多言语机器翻译模型的新式神经网络结构，旨在猜测人类言语专家对机器翻译质量的判别。COMET运用最近在跨言语神经言语建模方面的打破，树立了多言语自适应的机器翻译评价模型。它也将来自源言语和目标言语参阅译文的信息结合起来，选用满足的粒度捕捉文本之间的语义相似性，以精确猜测人类专家的翻译质量判别，具有更高的精确性。通用范畴赛道比赛剧烈，强手如云。比方华为、三星、京东探究研讨院、思必驰、Systran、Niutrans、ProMT、Lan-bridge、大连理工大学等实力微弱对手赫然在列。◉各大参赛团队共提交800次成果，英中作为两大通用语种，更是本届比赛的抢手赛道。经过历时九霄的剧烈比赛，终究，LanguageX团队以英中四次提交均排名榜首的优异成果，斩获英中赛道冠军。（LanguageX取得2022WMT英中方向榜首名）除此之外，LanguageX团队还参加了中英和英日方向的比赛，取得了中英方向第三名，英日方向第三名的优异成果。(LanguageX取得2022WMT中英方向第三名）（LanguageX取得2022WMT英日方向第三名）冠军翻译引擎+交互式翻译，为译者而生的机器翻译自2017年神经网络机器翻译盛行以来，“机器翻译代替人工翻译”的观念层出不穷。作为一个技能和言语布景结合的团队，LanguageX以为言语服务是高度杂乱、需求构思的智力活动，并肩负着人类沟通的重要使命。LanguageX致力于将前沿自然言语处理技能应用于专业翻译范畴。除了高品质机器翻译引擎，LanguageX还答应译者快速上传语料和练习自己的翻译引擎，大幅下降译者运用专业机器翻译的门槛。此外，LanguageX供给结合交互式翻译、智能纠错、实时预览等AI辅佐翻译功用。译者在翻译进程中。体系根据术语、翻译回忆、译者输入实时引荐译文，让译者专心于翻译，大大进步了翻译功率和体会。秉承“翻译是一门艺术，译者是跨言语的作家，让机器的作业归机器，人的作业归人”的宣言，LanguageX致力于为专业译者和言语服务从业者打造归于他们的机器翻译。发布于 2022-09-22 16:23机器翻译译者翻译​附和 3​​1 条谈论​共享​喜爱​保藏​请求

沃尔玛(WMT)股票股价_股价行情_财报_数据陈述 - 雪球

WMT)股票股价_股价行情_财报_数据陈述 - 雪球主页行情行情中心挑选器新股上市买什么买卖A股买卖基金买卖私募中心下载App扫一扫，下载登录/注册公司概况公司简介公司高管内部持股所属指数股票买卖盘前买卖盘后买卖前史价格期权买卖空仓数据内部买卖商场预期财报公告SEC文件财报公告(中)财报公告(英)电话会议实录财政数据首要目标分红派息利润表财物负债体现金流量表雪球选股器研讨剖析收益预估评级改变研讨陈述APP专享大盘异动股价提示购买指数相关ETF扫码下载雪球App检查概况沃尔玛(NYSE:WMT)可融资可卖空$60.57+0.53 +0.88% 4.89 万球友重视盘前买卖 03-06 16:10:00 美东时刻盘前买卖60.71+0.14+0.23%最高：60.62今开：60.12成交量：1269.87万股换手：0.16%最低：60.04昨收：60.04成交额：7.67亿振幅：0.97%52周最高：60.62量比：0.63市盈率(TTM)：31.45市净率：5.8252周最低：45.36委比：-50.00%市盈率(静)：31.45市销率：0.75每股收益：1.93股息(TTM)：0.76每手股数：1总市值：4877.58亿每股净财物：31.15股息率(TTM)：1.26%最小价差：0.01总股本：80.53亿组织持股：--Beta：--空头回补天数：--钱银单位：USD分时五日日K周K月K季K年K120分60分30分15分5分1分区间计算全屏显现股票比照前复权前复权后复权不复权MABOLL成交量MACDKDJPEPSPCF总市值WRRSIBIASCCIPSY近1月近3月近6月近1年近3年近5年今年以来上市以来-简介沃尔玛公司于1969年10月在特拉华州树立，一家美国的世界性连锁企业。该公司运营遍及世界各地的零售商铺。 该公司的沃尔玛世界部分包含在美国以外的27个国家的事务，分为三大类：零售，批发等多种形式。包含超级商场，超级商场，大型超市，库房沙龙，山姆沙龙，现金和带着，家居装饰，专业电子，服装店，药店和便利店，以及数字零售。公司网站：http://www.stock.walmart.com公司地址：702 S.W. 8th Street

Bentonville

Arkansas

72716公司电话：1-479-2734000收起沃尔玛公司于1969年10月在特拉华州树立，一家美国的世界性连锁企业。该公司运营遍及世界各地的零售商铺。 该公司的沃尔玛世界部分包...打开事务运营大型超市

神经机器翻译数据集WMT预处理流程 - 知乎

神经机器翻译数据集WMT预处理流程 - 知乎首发于皮皮鲁的科技星球切换形式写文章登录/注册神经机器翻译数据集WMT预处理流程PP鲁 本文一起发布在我的个人网站：https://lulaoshi.info/blog/NMT-dataset-preprocess.html神经机器翻译（Neural Machine Translation，NMT）凭借深度神经网络对不同言语的文本进行翻译，本文首要介绍机器翻译数据集WMT16 en-de的预处理进程。Token与Subword关于神经机器翻译，想要被翻译的源言语被称为Source，想要翻译的目标言语被称为Target。练习数据为两种不同言语的语句对（Source Target Sentence Pair）。以英语（en）德语（de）翻译为例，一个练习数据样本为：sources.en (English):I declare resumed the session of the European Parliament adjourned on Friday 17 December 1999, and I would like once again to wish you a happy new year in the hope that you enj

oyed a pleasant festive period.

http://targets.de (German):Ich erkläre die am Freitag, dem 17. Dezember unterbrochene Sitzungsperiode des Europäischen Parlaments für wiederaufgenommen, wünsche Ihnen nochmals alles Gute zum Jahreswechse

l und hoffe, daß Sie schöne Ferien hatten.

自然言语处理中一般将文本界说为由多个词条（Token）组成的序列。Token可所以单词，也可所以词干、前缀、后缀等。先把问题最简略化，将Token了解成单词。咱们需求运用分词器（Tokenizer）将一个完好的语句拆分红Token。像英语和德语，单词之间有空格分隔，Tokenizer只需求将空格、标点符号等提取出来，就能够取得语句中的Token。常见的Tokenizer有Moses tokenizer.perl脚本或spaCy，nltk或Stanford Tokenizer之类的库。前面的比方经过Tokenizer对标点符号和空格做简略处理后为：I declare resumed the session of the European Parliament adjourned on Friday 17 December 1999 , and I would like once again to wish you a happy new year in the hope that you en

joyed a pleasant festive period .

其实看不出太多改变，仅仅全部的单词以及标点符号之间都多了空格。运用Tokenizer对原始语料进行切分后，生成许多的Token，这些Token一起组成了词表（Vocabulary）。比方，一个英文词表可所以：I

declare

resumed

...

但是，假如将Token界说为单词，树立根据单词的模型有许多缺陷。因为模型输出的是单词的概率散布，因而词表中单词数量很大情况下，模型会变得十分慢。假如单词表中包含拼写错误和各类派生单词，则词表的巨细实际上是无限的。咱们希望模型只处理最常见的单词，所以需求运用一些办法对单词的数量加以约束。词表巨细一般设置为10,000到100,000。以单词作为Token的另一个缺陷是该模型无法学习单词的常见“词干”。例如，关于“loved”和“loving”，虽然它们有一起的词干，但模型会以为他们是两种彻底不同的词。处理单词为Token问题的一种办法是运用计算的办法生成子词（Subword）。例如，单词“loved”能够被分为“ lov”和“ ed”，而“ loving”能够被分为“ lov”和“ ing”。这使模型在各类新词上有泛化才能，一起还能够削减词表巨细。有许多生成Subword的技能，例如Byte Pair Encoding（BPE）。BPE取得Subword的过程如下：预备满足大的练习语料，并确认希望的Subword词表巨细；将单词拆分为成最小单元。比方英文中26个字母加上各种符号，这些作为初始词表；在语料上计算单词内相邻单元对的频数，选取频数最高的单元对合并成新的Subword单元；重复第3步直到到达第1步设定的Subword词表巨细或下一个最高频数为1。要为给定的文本生成BPE，能够运用subword-nmt(https://github.com/rsennrich/subword-nmt)这个东西，详细运用办法能够参照其GitHub中的阐明进行操作。下面是一个比方，其间是现已经过Tokenizer进行过处理的文本文件。# Clone from Github

git clone https://github.com/rsennrich/subword-nmt

cd subword-nmt

# Learn a vocabulary using 10,000 merge operations

./learn_bpe.py -s 10000 codes.bpe

# Apply the vocabulary to the training file

./apply_bpe.py -c codes.bpe < train.tok.file> train.tok.bpe

对数据集进行BPE后，语句或许如下所示。adjourned（休会）一词运用并不频频，被分解为ad@@、jour、ned三部分。因为Token粒度变得更细，词表也需求随之更新。I declare resumed the session of the European Parliament ad@@ jour@@ ned on Friday 17 December 1999 , and I would like once again to wish you a happy new year in the hope that

you enjoyed a pleasant fes@@ tive period .

WMT数据集处理神经机器翻译范畴世界上最常用的数据集是WMT，许多机器翻译使命根据这个数据集进行练习，Google的工程师们根据WMT16 en-de预备了一个脚本：wmt16_en_de.sh(https://github.com/google/seq2seq/blob/master/bin/data/wmt16_en_de.sh)。这个脚本先下载数据，再运用Moses Tokenizer(https://github.com/moses-smt/mosesdecoder/blob/master/scripts/tokenizer/tokenizer.perl)，整理练习数据，并运用BPE生成32,000个Subword的词汇表。增加ilulaoshi，回复wmt16，取得数据集网盘链接：pre-processed WMT'16 EN-DE Data (502MB)将文件解压后，能够取得以下文件：文件名内容train.tok.clean.bpe.32000.en经过BPE处理后英语练习数据，每行一个语句。http://train.tok.clean.bpe.32000.de经过BPE处理后德语练习数据，每行一个语句。vocab.bpe.32000经过BPE处理后的词表，每行一个Token。newstestXXXX.*测验数据集，与练习集所运用的预处理办法相同，用于测验和验证。修改于 2022-03-01 22:24神经机器翻译(NMT)自然言语处理机器翻译​附和 18​​9 条谈论​共享​喜爱​保藏​请求转载​文章被以下专栏录入皮皮鲁的科技星球起于技能又不至于

沃尔玛(WMT)股票价格_行情_走势图—东方财富网

WMT)股票价格_行情_走势图—东方财富网财经|焦点|股票|新股|期指|期权|行情|数据|全球|美股|港股|期货|外汇|黄金|银行|基金|理财|稳妥|债券|视频|股吧|基金吧|博客|财富号|查找全球财经快讯数据中心手机站客户端Choice数据手机买基金 牛市赚不断>行情中心指数|期指|期权|个股|板块|排行|新股|基金|港股|美股|期货|外汇|黄金|自选股|自选基金全球股市上证：- - - - (涨:- 平:- 跌:-)深证：- - - - (涨:- 平:- 跌:-)数据中心新股申购新股日历资金流向AH股比价主力排名板块资金个股研报职业研报盈余猜测千股千评年报季报龙虎榜单限售解禁大宗买卖期指持仓融资融券沪深港通沪股通-资金流入-深股通-资金流入-港股通(沪)-资金流入-港股通(深)-资金流入-最近拜访：-​--全球指数美股行情美股吧世界期货---今开: -最高价: -成交量: -外盘: -昨收: -最低价: -成交额: -内盘: -总股本: -振幅: -换手率: -每股收益TTM: -总市值: -市净率MRQ: -市盈率TTM: -每股净财物: -美国经济数据>>美国商场快讯>>F10档案：中心必读公司概况财政剖析股本股东分红派息主营构成高管研讨财物负债表归纳损益体现金流量表董事及股东权益我的自选更多称号最新价涨跌幅------------------------点击进入我的自选股>>>中概股行情互联网我国称号最新价涨跌幅------------------------------------点击检查更多美股行情>>> 检查最新日K周K月K拉长K线缩短K线全屏首要目标均线EXPMABOLLSARBBIRSIKDJMACDW&RDMIBIASOBVCCIROCCRBOLLRSIKDJMACDW&RDMIBIASOBVCCIROCCRBOLL行情报价最新-均价-涨跌-今开-涨幅-最高-换手-最低-总量-量比-外盘-内盘-收益TTM-PE(TTM)-净财物-市净率-流转市值-总市值-流转股本-总股本-分时成交时刻价格成交量---------------------------------------闻名美股涨幅榜更多称号最新价涨跌幅---------------个股资讯美股聚集更多数据加载中...美股公告美股谈论更多数据加载中...沃尔玛吧 股吧主页 | 抢手个股吧 | 抢手主题吧 | 更多抢手美股吧称号最新价涨跌幅---------------------------------------------郑重声明：本网站所刊载的全部资料及图表仅供参阅运用。出资者根据本网站供给的信息、资料及图表进行金融、证券等出资所形成的盈亏与本网站无关。本网站如因体系维护或晋级而需暂停服务，或因线路及超出本公司操控规模的硬件毛病或其它不可抗力而导致暂停服务，于暂停服务期间形成的全部不方便与丢失，本网站不负任何职责。

东方财富

扫一扫下载APP

东方财富产品

东方财富免费版

东方财富Level-2

东方财富战略版

Choice金融终端

浪客 - 财经视频

证券买卖

东方财富证券开户

东方财富在线买卖

东方财富证券买卖

重视东方财富

东方财富网微博

东方财富网微信

定见与主张

天天基金

扫一扫下载APP

基金买卖

基金开户

基金买卖

活期宝

基金产品

稳健理财

重视天天基金

天天基金网微博

天天基金网微信

东方财富期货

扫一扫下载APP

期货买卖

期货手机开户

期货电脑开户

期货官方网站

信息网络传达视听节目答应证：0908328号 运营证券期货事务答应证编号：913101046312860336 违法和不良信息告发:021-34289898 告发邮箱：jubao@eastmoney.com

沪ICP证:沪B2-20070217 网站备案号:沪ICP备05006054号-11 沪公网安备 31010402000120号 版权全部:东方财富网 定见与主张:4000300059/952500

关于咱们

可持续开展

广告服务

联络咱们

诚聘英才

法令声明

隐私维护

征稿启事

友情链接

发榜！LanMT斩获2022WMT世界机器翻译大赛双料冠军 - 我国日报网

发榜！LanMT斩获2022WMT世界机器翻译大赛双料冠军 - 我国日报网

China Daily Homepage

中文网主页

时政

资讯

C财经

日子

视频

专栏

双语

原创

观全国

登录

注册

移动新媒体

站内查找

站内查找

China Daily Homepage

中文网主页

时政

资讯

C财经

日子

视频

专栏

双语

漫画

原创

观全国

发榜！LanMT斩获2022WMT世界机器翻译大赛双料冠军

来历：

我国网

2022-12-19 17:26　

 

 

 

共享

共享到

共享到微信

CLOSE

发榜！LanMT斩获2022WMT世界机器翻译大赛双料冠军

近来，WMT2022世界机器翻译大赛的发布排名成果，LanMT勇夺2项冠军、8项亚军。

WMT（Workshop on Machine Translation）是享誉全球的尖端机器翻译比赛。作为全球规模内最具声威、最受重视的机器翻译评测大赛，从2006年至2022年，共成功举行17届，招引了包含微软、字节跳动、腾讯、百度、华为、清华大学在内的许多国内外尖端互联网公司、高等学府和科研组织的积极参与，比赛剧烈。

经过剧烈比赛，LanMT（提交体系称号：Lan-Bridge）体现亮眼，在练习数据少、练习难度高的小语种方向，取得了全部参赛部队中的最好成果：斩获【乌克兰语-英语】、【俄语-雅库特语】2项翻译使命的冠军，在【雅库特语-俄语】、【捷克语-乌克兰语】、【德语-英语】、【英语-捷克语】、【英语-克罗地亚语】、【英语-乌克兰语】、【俄语-英语】、【乌克兰语-捷克语】8项翻译使命中取得亚军！

为了构建通用翻译器，LanMT测验从双语模型转向多言语翻译，即一个模型一起翻译多个言语对，包含低资源（例如，克罗地亚语、雅库特语）和高资源（例如，英语、中文）。在 WMT 2022 大赛上的佳绩证明，多言语翻译是构建一个通用的翻译体系、为世界各地的人们供给高质量翻译的重要途径。

经过舌人团队、言语专家团队许多的人工测评、反应和不断地实测打磨，LanMT引擎坚持高速的更新迭代，在翻译质量上进步显着。近半年来，英译中的免修改率从24%进步至29%、中译英的免修改率从22%进步至25%。

固然，机翻引擎的好与欠好，除了数据评测之外，更重要的是用户实际运用的体会与感触。怀着让每一位用户都能零门槛享受到工业级的专业翻译服务的愿景，咱们以LanMT机翻引擎为根底，打造了文档快译这一在线机翻东西。

文档快译能做什么？

轻量

没有花哨的界面，咱们减去全部冗余和门槛，用简练的规划传达信仰，让用户无需登录注册即可运用根底翻译功用。一起，登陆后账户主动到账10万免费字符流量，让用户不充值，也能用。

　　全面

WMT2022世界机器翻译大赛双料冠军不仅是头衔，更是LanMT引擎实力的权威认证。40项语种互译，织造畅通无阻的言语网络。无论是英、日、韩等常用语种，仍是雅库特语、印尼语等小语种，文档快译覆盖了用户的多语种翻译需求。

　　专业

机翻，但不止机翻！22年人工翻译的沉积与打磨，只为服务于你的朝夕之间。定制化七大垂域：医药、工程、军工、轿车、航空、专利。专业术语难翻译？就让文档快译为你搞定。

　　方便

用最契合运用逻辑的交互完成零学习本钱。从上传、翻译、查找到导出，丝滑的批量操作途径轻松上手；清晰的字数、页数、文件巨细一望而知。全部细节的打磨，只为让快译更“快”。

　　智能

机器是人的延伸。文档快译真正从用户视点动身，能够为用户供给语料导出、术语下载等功用，协助用户轻松堆集个人语料库，完成机翻译文的内化。让每一次机翻，都成为对自我的充分。

除了文档快译（Doc.MT），咱们还推出了针对高校师生需求的才智教育实训体系（PBLT）、为企事业单位供给言语财物牢靠保证的多语数据管理体系（MC）、企业翻译作业的抱负管理东西和协作渠道——人机共译体系（MH）、根据神经网络技能的语料对齐东西（CA）等一系列针对不同用户需求的产品。

WMT2022年双料冠军是数译的一个簇新起点，未来，数译将持续致力于打造专业智能翻译体系，引领言语服务打破立异！

免责声明：该文章系我网转载，旨在为读者供给更多新闻资讯。所涉内容不构成出资、消费主张，仅供读者参阅。

【职责修改：钟经文】

COMPO

WS63a02eb2a3102ada8b2275b7

https://qiye.chinadaily.com.cn/a/202212/19/WS63a02eb2a3102ada8b2275b7.html

专题

2024年世界看两会专题

筑梦现代化 共绘新图景

京津冀协同开展10年

新时代 我在我国

最热新闻

怎么大力开展低碳经济？政府作业陈述提出这几点

全国首个电动轿车才智充换电示范区建成

央行重磅发声！

同比增加8.7%，我国外贸局面杰出

【世界看两会】海外专家看好我国经济：在新质生产力的推进下，我国在全球产业链中的位置将会进一步进步

全国人大代表郑永光：人工智能助力我国气象预报才能大大进步

甘肃、青海代表：约14.8万户积石山地震受灾大众将于年末前入住新居

靳东：影视著作促进两岸沟通

精彩引荐

加沙停火问题上美国乱用否决权

关于咱们

|

联络咱们

主页

时政

资讯

财经

日子

视频

专栏

双语

独家

招聘

当地频道：

北京

天津

河北

山西

辽宁

吉林

黑龙江

上海

江苏

浙江

福建

山东

河南

湖北

湖南

广东

广西

海南

重庆

四川

云南

贵州

西藏

陕西

新疆

深圳

友情链接：

央广网

我国西藏网

我国新闻网

我国台湾网

我国经济网

我国青年网

光明网

世界在线

央视网

我国网

新华网

人民网

违法和不良信息告发

互联网新闻信息服务答应证10120170006

信息网络传达视听节目答应证0108263号

京公网安备11010502032503号

京网文[2011]0283-097号

京ICP备13028878号-6

我国日报网版权阐明：凡注明来历为“我国日报网：XXX（署名）”，除与我国日报网签署内容授权协议的网站外，其他任何网站或单位未经答应制止转载、运用，违者必究。如需运用，请与010-84883777联络；凡本网注明“来历：XXX（非我国日报网）”的著作，均转载自其它媒体，意图在于传达更多信息，其他媒体如需转载，请与稿件来历方联络，如发生任何问题与本网无关。

版权维护：本网登载的内容（包含文字、图片、多媒体资讯等）版权属我国日报网（中报世界文明传媒（北京）有限公司）独家全部运用。 未经我国日报网事前协议授权，制止转载运用。给我国日报网提定见：rx@chinadaily.com.cn

主页

时政

资讯

财经

文明

图片

视频

双语

中文 | English

我国日报版权全部Content@chinadaily.com.cn