kimi-k2.6 在「学术论文摘要跨学科翻译」的评测结果
这是该 AI 模型在此测试用例上的详细评测结果。
基本信息
- 模型名称：kimi-k2.6
- 用例名称：学术论文摘要跨学科翻译
- 测试类型：文本生成
- 评测维度：翻译能力
系统提示词（System Prompt）
这是给 AI 模型的背景设定和角色指令：
你是一名资深学术翻译专家，专注于计算机科学领域的中英文学术文献翻译与审校工作，熟悉人工智能、自然语言处理及算法复杂度等方向的专业术语体系。 回答要求： 1. 翻译前请先识别原文中的核心专业术语，确保术语翻译与学术界通行译法保持一致。 2. 译文须使用正式学术文体，语言简洁严谨，避免口语化表达。 3. 数学符号（如大O符号）、百分比数据及逻辑关系须与原文完全对应，不得遗漏或改变。 4. 输出格式：先列出【核心术语对照表】，再给出【完整译文】。
用户提示词（User Prompt）
这是用户给 AI 模型的具体任务要求：
请将以下计算机科学论文摘要从英文翻译成中文，并严格遵守学术翻译规范。 【原文】 We propose a novel attention mechanism called 「Sparse Transformer」 that reduces the computational complexity of self-attention from O(n²) to O(n√n). Our approach leverages factorized attention patterns and introduces learnable connectivity patterns. Experiments on language modeling tasks demonstrate that our method achieves comparable perplexity while reducing memory usage by 30%. 【翻译要求】 1. 保持学术论文摘要的正式文体，使用第三人称或被动语态等学术惯用表达。 2. 准确翻译以下类型的专业术语：模型/机制名称、算法复杂度符号、评估指标名称。 3. 确保原文中的因果逻辑关系（如「通过……实现……」）在译文中清晰呈现。 4. 数字、百分比及数学表达式须与原文完全一致，不得改动。 【输出格式】 ## 核心术语对照表 | 英文原文 | 中文译文 | |---------|---------| | （逐条列出） | （对应译文） | ## 完整译文 （在此处给出完整的中文翻译）
任务要求
AI 模型需要满足以下要求：
- 核心专业术语（Sparse Transformer、self-attention、factorized attention patterns、learnable connectivity patterns、perplexity）须给出准确且符合学界通行规范的中文译名，并在术语对照表中列出。
- 计算复杂度表达式 O(n²) 和 O(n√n) 须原样保留数学符号，不得用文字替代或改写。
- 译文须体现学术论文摘要的正式文体，包括：使用「本文」或被动语态引出研究内容，避免口语化词汇。
- 原文中的实验数据（内存使用降低30%）及逻辑关系（「在……任务上……表明……」）须完整、准确地在译文中体现，不得遗漏或歪曲。
- 译文整体语义须与原文高度对应，不得出现无中生有的内容或对原文意思的实质性误译。
评测结果
综合得分
该模型在此用例的得分为：93.0 分（满分 100 分），已通过
基础难度评测结果
- 得分：93.0 分
- 通过状态：已通过
模型生成产物
以下是该模型针对此任务的实际生成内容：
## 核心术语对照表 | 英文原文 | 中文译文 | |---------|---------| | attention mechanism | 注意力机制 | | Sparse Transformer | 稀疏Transformer | | computational complexity | 计算复杂度 | | self-attention | 自注意力 | | O(n²) | O(n²) | | O(n√n) | O(n√n) | | factorized attention patterns | 分解注意力模式 | | learnable connectivity patterns | 可学习的连接模式 | | language modeling tasks | 语言建模任务 | | perplexity | 困惑度 | | memory usage | 内存使用量 | ## 完整译文 本文提出一种名为“Sparse Transformer”的新型注意力机制，将自注意力的计算复杂度由O(n²)降至O(n√n)。该方法利用分解注意力模式并引入可学习的连接模式。在语言建模任务上的实验表明，该方法在将内存使用量降低30%的同时，取得了可比的困惑度。
AI 评审点评
以下是 AI 评审对该模型输出的点评：
【CLAUDE】候选译文整体质量优秀，准确完成了学术翻译任务。术语对照表详尽完整，专业术语翻译准确规范，数学符号和实验数据处理严谨，逻辑关系呈现清晰。译文符合中文学术论文摘要的正式文体要求，语言简洁严谨。个别表达如「内存使用量」「可比的困惑度」与参考答案存在细微差异，但均在学术规范的可接受范围内，不影响整体翻译质量。 【GEMINI】这是一份极高水平的学术翻译。候选结果不仅严格遵守了所有的格式要求（术语表+完整译文），而且在术语准确性、学术文体把握以及逻辑忠实度上均表现优异。译文行文流畅，符合中文学术论文的阅读习惯，专业性极强。 【KIMI】整体而言，该译文质量较高，专业术语翻译准确，符合学术论文摘要的正式文体规范，数学符号和逻辑关系也得到准确呈现。但在引出研究内容时，建议使用“本文”而非“该方法”，以进一步增强学术性。
进阶难度评测结果
- 得分：89.5 分
- 通过状态：已通过
模型生成产物
以下是该模型针对此任务的实际生成内容：
本研究提出了一种基于图神经网络的深度学习框架，用于蛋白质-蛋白质相互作用预测。我们引入了一种新颖的边条件卷积操作，以同时提取蛋白质复合物的序列特征与结构特征。该模型通过多序列比对整合进化信息，在基准数据集上取得了 0.92 的 AUC，较现有方法提升 8%。 **关键术语对照表** - deep learning framework → 深度学习框架 - graph neural networks → 图神经网络 - protein-protein interactions → 蛋白质-蛋白质相互作用 - edge-conditioned convolution → 边条件卷积 - protein complexes → 蛋白质复合物 - sequential features → 序列特征 - structural features → 结构特征 - multiple sequence alignments → 多序列比对 - evolutionary information → 进化信息 - AUC → AUC - benchmark dataset → 基准数据集
AI 评审点评
以下是 AI 评审对该模型输出的点评：
【CLAUDE】候选译文在术语准确性和学术规范性方面表现优秀，专业术语翻译准确，逻辑结构清晰，文体符合学术摘要要求。主要扣分点在于性能提升数据的表述：「提升 8%」存在歧义，未能像参考答案那样明确使用「8个百分点」来准确传达绝对提升量，这在学术论文中是需要严格区分的关键信息。建议在涉及百分比对比的场景中，明确区分相对提升与绝对提升的表述方式。 【GEMINI】这是一份高质量的学术翻译。模型展现了深厚的跨学科背景，不仅准确把握了“边条件卷积”这一较为前沿的图神经网络术语，而且在句式处理上非常契合中文学术论文的表达习惯，逻辑连贯，数据还原精准，术语表规范。 【KIMI】整体而言，候选人的翻译质量很高，准确传达了原文中的跨学科概念，保持了学术规范性，并适应了不同学科的术语体系和表述习惯。译文逻辑层次清晰，语言风格符合中文学术摘要规范，跨学科概念衔接自然流畅。
困难难度评测结果
- 得分：93.0 分
- 通过状态：已通过
模型生成产物
以下是该模型针对此任务的实际生成内容：
**核心术语对照表** | 类别 | 中文术语 | 英文标准译法 | |:---|:---|:---| | **密码学** | 格密码 | lattice-based cryptography | | | 安全多方计算 | secure multi-party computation (MPC) | | | 同态加密 | homomorphic encryption | | | 密文打包 | ciphertext packing | | | 可证明安全 | provably secure | | | 128 位安全级别 | 128-bit security level | | **量子计算** | 后量子 | post-quantum | | | 环上误差学习问题 | Ring-Learning With Errors (Ring-LWE) | | | 量子攻击 | quantum attacks / quantum adversaries | | **复杂度理论** | 通信复杂度 | communication complexity | | | 安全参数 | security parameter | | | 渐近最优 | asymptotically optimal | | | 计算效率 | computational efficiency | --- **英文摘要** We propose a lattice-based secure multi-party computation protocol achieving post-quantum security. Our construction leverages the hardness of the Ring-Learning With Errors (Ring-LWE) problem to build a provably secure homomorphic encryption scheme. By introducing a novel ciphertext packing technique, the communication complexity is reduced from $O(n^2\kappa)$ to $O(n\kappa\log n)$, where $\kappa$ denotes the security parameter. At the 128-bit security level, our protocol improves computational efficiency by a factor of $2.3$ over the state-of-the-art, while preserving asymptotically optimal security against quantum adversaries. Experimental results demonstrate the practical feasibility of the proposed protocol.
AI 评审点评
以下是 AI 评审对该模型输出的点评：
【CLAUDE】术语对照表覆盖完整，密码学类6项、量子计算类3项、复杂度理论类4项，均超过最低要求。核心术语如「lattice-based cryptography」「Ring-LWE」「homomorphic encryption」「provably secure」均为国际通行标准译法，符合IACR规范。术语表采用表格形式呈现，分类清晰。译文中术语使用一致，如「Ring-Learning With Errors (Ring-LWE)」首次出现时给出全称+缩写，后续可直接使用缩写。唯一微小瑕疵：「quantum adversaries」作为「量子攻击」的替代译法虽然学术上可接受，但参考答案使用「quantum attacks」更直接对应原文，且「adversaries」在密码学语境中通常指攻击者模型而非攻击行为本身，此处略有语义偏移。 【GEMINI】这是一份高质量的学术翻译。模型不仅准确理解了复杂的跨学科术语（格密码与量子计算），还精准地捕捉到了密码学顶级会议（如 CRYPTO/EUROCRYPT）的文体偏好。特别是在 LaTeX 格式的处理和安全性声明的严谨性上表现优异，完全符合专业学术审稿人的预期。 【KIMI】该译文在术语准确性、数学逻辑表达和学术风格上整体表现优秀，很好地完成了跨学科学术论文摘要的翻译任务。在保持术语一致性、准确还原数学符号和安全性声明等方面做得非常好。但在规避中式英语和使用被动语态方面还有一定提升空间。建议进一步优化句式结构，减少'we'主语的使用，更多采用被动语态和学术连接词，以更符合英文学术摘要的写作习惯。
相关链接
您可以通过以下链接查看更多相关内容：
