AI字幕总是慢半拍，质量和延迟难以平衡是业界老问题了。
为此，香港中文大学、字节跳动Seed和斯坦福大学研究团队出手，提出了一种面向同声传译的序贯策略优化框架 (Sequential Policy Optimization for Simultaneous Machine Translation, SeqPO-SiMT)。
在70亿参数（7B）规模上实现SOTA。
实验结果显示，SeqPO-SiMT的翻译质量不仅优于监督微调（SFT）的离线模型及LLaMA-3-8B，其表现甚至能媲美乃至超越Qwen-2.5-7B的离线翻译水平。
方法：SeqPO-SiMT序贯策略优化
针对以上难点，研究团队提出SeqPO-SiMT框架。其核心思想是将同声传译任务建模为一个序贯决策问题，综合评估整个翻译流程的翻译质量和延迟，并对整个决策序贯进行端到端的优化。
该方法的主要特点是：它不再孤立地评估每一步决策的好坏，而是将一整句话的翻译过程视为一个整体，即形成一个完整决策序贯，更符合人类对同传的评估过程。
同声传译采样阶段
该框架使用一个大语言模型（LLM）充当策略模型
，在每个时间步t，模型会接收新的源语言文本块
，并基于已有的所有源文本
和之前的翻译历史
，来生成当前的翻译块
。
这个决策过程可以被形式化地表示为：
该框架的一个关键灵活性在于，如果模型决定等待更多上下文，输出的
可以为空，其长度完全由策略模型
自行决定。
优化阶段
奖励函数：对于一个batch内的第i个样本，系统会通过一个在最终步骤T给予的融合奖励
来评估整个过程的优劣。这个奖励同时评估翻译质量（Quality）和延迟（Latency）。
具体而言，首先计算出原始的质量分
和延迟分
，然后对两者进行归一化处理以统一量纲得到
和
，最终的奖励被定义为：
其中，
是一个超参数，用于权衡质量与延迟的重要性。
优化目标：模型的最终优化目标最大化期望奖励
，同时为了保证训练的稳定性，目标函数中还引入了KL散度作为约束项，防止策略模型
与参考模型
偏离过远。
这个结合最终奖励和稳定性约束的优化过程，使得模型能够端到端地学会一个兼顾翻译质量与延迟的最优策略：
结果与分析：翻译质量媲美Qwen-2.5-7B离线翻译水平
研究团队在多个公开的英汉互译测试集上进行了实验，并与多种现有同传模型进行对比。实验结果显示：在低延迟水平下，SeqPO-SiMT框架生成的译文质量相较于基线模型有明显提升。
与多个高性能模型的离线翻译结果进行对比，结果显示，SeqPO-SiMT的翻译质量不仅优于监督微调（SFT）的离线模型及LLaMA-3-8B，其表现甚至能媲美乃至超越Qwen-2.5-7B的离线翻译水平。这表明该方法在70亿参数（7B）规模上实现了业界顶尖（SoTA）的性能。
SeqPO-SiMT为解决同声传译中的“质量-延迟”权衡问题提供了一个新的视角，它强调了对决策“序贯”进行整体优化的重要性。该方法对于需要进行实时、连续决策的自然语言处理任务具有一定的参考意义，并为未来开发更高效、更智能的同声传译系统提供了有价值的探索。
论文链接：https://arxiv.org/pdf/2505.20622
