Aleix Sant, Jordi Luque, Carlos Escolano · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29926 · open-access PDF
Bài viết này mô tả việc chúng tôi nộp cho WMT 2026 Multilingual Instruction Shared Task. Chúng tôi điều chỉnh Qwen3-8B với LoRA bằng cách sử dụng dữ liệu do người tổ chức cung cấp, EuroAlpaca, một tập dữ liệu hướng dẫn đa ngôn ngữ được tạo ra thông qua định vị giữ nhiệm vụ, và CrossEuroAlpaca, một tăng cường đa ngôn ngữ gán các ngôn ngữ nguồn và mục tiêu khác nhau cho các hướng dẫn, ngữ cảnh và câu trả lời. Hệ thống của chúng tôi nhắm mục tiêu câu trả lời câu hỏi mở (QA-OEG) trong mười ngôn ngữ chia sẻ nhiệm vụ được thể hiện trong dữ liệu phụ trợ.
Machine translation (Meta M2M100); the English original follows.
This paper describes our submission to the WMT 2026 Multilingual Instruction Shared Task. We adapt Qwen3-8B with LoRA using organiser-provided data, EuroAlpaca, a multilingual instruction dataset created through task-preserving localisation, and CrossEuroAlpaca, a cross-lingual augmentation that assigns different source and target languages to instructions, contexts and responses. Our system targets open-ended question answering (QA-OEG) in ten shared-task languages represented in the auxiliary data. Under matched decoding, adaptation improves the mean Gemma-4 judge score on target-language QA
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29926, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange