في عالم سريع التطور يعتمد بشكل متزايد على الذكاء الاصطناعي، تظهر الحاجة لتقدير جودة الترجمة كأداة أساسية لضمان الدقة والموثوقية. في هذا السياق، أظهرت دراسة حديثة كيف يمكن للنماذج اللغوية الصغيرة (Small Open-Weight Large Language Models) أن تتفوق على النماذج العملاقة المتعددة المعلمات، المقدمة من قبل الشركات الكبرى.

يواجه النظام الحالي لتقدير جودة الترجمة (Quality Estimation - QE) العديد من التحديات، منها اعتمادها على نماذج كبيرة مغلقة المصدر مما يثير مخاوف بشأن الخصوصية. لكن التحليل الجديد يقدم بديلاً فعّالًا: نماذج لغوية صغيرة بأقل من 30 مليار معلمة، والتي يمكن أن تقدم تقييم جودة الترجمة بشكل موثوق وبتكلفة أقل.

باستخدام استراتيجية التوجيه السريعة (single-pass prompting)، يمكن لهذه النماذج أن تولد درجات الجودة، وتعليقات على الأخطاء وفق معيار MQM، واقتراحات لتصحيح الأخطاء، بالإضافة إلى عمليات تحرير كاملة.

تشير النتائج إلى أن هذه النماذج تحقق ارتباطات تنافسية عالية على مستوى النظام مع أحكام البشر، متفوقةً على المقاييس العصبية التقليدية، والنماذج المعدلة بدقة، بالإضافة إلى الاتفاق بين المراجعين البشر.

بشكل عام، تقدم هذه الابتكارات أملًا جديدًا للبحث في الذكاء الاصطناعي، مما يتيح تقدير جودة أكثر دقة وأمانًا في عالم الترجمة.