mimo-v2.6-pro 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：mimo-v2.6-pro
- 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：93.5 分（满分 100 分），已通过
基础难度评测结果
- 得分：93.5 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：
## 核心术语对照表 | 英文原文 | 中文译文 | |---------|---------| | Sparse Transformer | 稀疏 Transformer | | attention mechanism | 注意力机制 | | self-attention | 自注意力 | | computational complexity | 计算复杂度 | | O(n²) | O(n²) | | O(n√n) | O(n√n) | | factorized attention patterns | 因式分解的注意力模式 | | 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 | 内存占用（显存占用） | ## 完整译文 本文提出一种名为「稀疏 Transformer」的新型注意力机制。该机制通过采用因式分解的注意力模式（factorized attention patterns）并引入可学习的连接模式（learnable connectivity patterns），将自注意力的计算复杂度由 O(n²) 降至 O(n√n)。在语言建模任务上的实验结果表明，所提方法在取得相当困惑度的同时，将内存占用降低了 30%。
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，在术语准确性、学术文体规范性及数学逻辑保真度三个维度均表现出色。术语对照表较参考答案更为详尽，译文逻辑结构清晰，数学符号处理规范，是一份高质量的学术翻译。 【GEMINI】候选输出表现非常出色，严格遵循了 prompt 的所有格式与翻译规范。术语对照表详尽准确，译文学术风格地道、逻辑衔接自然，数学表达式与实验数据完全保真，是一份高质量的学术翻译输出。 【KIMI】该译文整体质量良好，术语翻译基本准确，学术文体规范，数学符号和逻辑关系处理得当。主要不足在于：'factorized'译为'因式分解'不够精准（应为'分解'）；术语表格式不够规范（加入数学符号、中英文格式不统一）；正文中额外添加了原文没有的'显存占用'注释及英文括号重复。若能在术语精准性和格式规范性上进一步提升，将达到更高水平。
进阶难度评测结果
- 得分：91.1 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：
本研究提出一种基于图神经网络的深度学习框架，用于预测蛋白质-蛋白质相互作用。在此框架下，本文设计了一种新颖的边条件卷积操作，能够同时捕获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 AUC = 0.92 的预测性能，较现有方法提升 8%。 --- **关键术语对照表** | 英文术语 | 中文译名 | |---|---| | protein-protein interactions | 蛋白质-蛋白质相互作用 | | protein complexes | 蛋白质复合物 | | multiple sequence alignments | 多序列比对 | | evolutionary information | 进化信息 | | sequential and structural features | 序列特征与结构特征 | | deep learning framework | 深度学习框架 | | graph neural networks | 图神经网络 | | edge-conditioned convolution | 边条件卷积 | | benchmark dataset | 基准数据集 | | AUC（Area Under the Curve） | ROC 曲线下面积（AUC） |
AI 评审点评
以下是 AI 评审对该模型输出的点评：
【GEMINI】候选输出表现优异，完全达到了资深学术翻译专家的水准。术语选用极为规范，学术语体正式严谨，数据与逻辑关系传达准确，且附带了格式规整的关键术语对照表，高度契合学术论文摘要的发表规范。 【KIMI】该候选译文整体质量较高，术语翻译规范准确，学术风格得体，逻辑层次清晰。主要不足在于：一是性能提升百分比'8%'的表述未明确为'8个百分点'，存在歧义风险；二是部分句式（如'取得...预测性能'）存在轻微的冗余与信息增删。与参考译文相比，在数据精确性和表达简洁性方面略有差距，但仍在可接受范围内，属于中上水平的学术翻译。
困难难度评测结果
- 得分：90.5 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：
## 核心术语对照表 **密码学（Cryptography）** | 中文 | 英文 | |---|---| | 格密码 | lattice-based cryptography | | 环上误差学习问题 | Ring Learning With Errors (Ring-LWE) | | 同态加密 | homomorphic encryption | | 安全多方计算 | secure multi-party computation (MPC) | | 密文打包 | ciphertext packing | | 安全参数 | security parameter | | 可证明安全 | provably secure | | 后量子安全 | post-quantum secure | **量子计算（Quantum Computing）** | 中文 | 英文 | |---|---| | 量子攻击 | quantum adversaries / quantum attacks | | 后量子密码体制 | post-quantum cryptographic schemes | | 量子安全归约 | security reduction against quantum adversaries | | 格上最短向量问题（SVP） | Shortest Vector Problem (SVP) over lattices | **复杂度理论（Complexity Theory）** | 中文 | 英文 | |---|---| | 通信复杂度 | communication complexity | | 计算效率 | computational efficiency | | 渐近最优 | asymptotically optimal | | 多项式时间归约 | polynomial-time reduction | | 位安全级别 | bit security level | --- ## Abstract We present a post-quantum secure multi-party computation protocol based on lattice-based cryptography. The scheme relies on the hardness of the Ring Learning With Errors (Ring-LWE) problem to construct a provably secure homomorphic encryption scheme. A new ciphertext packing technique is introduced that reduces the communication complexity from $O(n^2\kappa)$ to $O(n\kappa\log n)$, where $\kappa$ is the security parameter. At a 128-bit security level, the protocol yields a 2.3$\times$ improvement in computational efficiency over the best known schemes while retaining asymptotically optimal security against quantum adversaries. Experimental results demonstrate that the protocol is feasible for real-world deployment.
AI 评审点评
以下是 AI 评审对该模型输出的点评：
【CLAUDE】该译文质量较高：术语表三类齐备且以通行标准译法为主，正文术语与表格保持高度一致；数学符号、复杂度表达式与实验数据完整无缺，逻辑链完整；时态、语态与语体基本符合 CRYPTO/EUROCRYPT 摘要规范，中式英语规避得较好。主要可改进之处为：术语表存在少量原文未出现的扩充条目（SVP、量子安全归约）且部分条目归类与数值完整性欠妥（如 bit security level 丢失 128）；复杂度符号改用 LaTeX 行内数学模式，与原文的上标写法不逐字一致；量子攻击一词的英文选择（adversaries）与原文 attacks 存在细微语义漂移；行文缺少显性学术连接词，个别句式（定语从句后置、scheme 重复）精炼度稍弱。综合而言属高分段译文，接近参考答案水平。 【GEMINI】该回答高质量地完成了专业学术翻译任务。术语对照表详尽标准，数学表达式排版符合学术规范，安全性声明措辞严谨专业，英译文不仅准确还原了原文的技术与逻辑细节，更展现了地道的顶级密码学会议论文写作风格。 【KIMI】该译文整体质量较高，术语准确、符号规范、逻辑清晰，基本满足顶级密码学会议摘要要求。主要提升空间在于：（1）进一步减少「we/our」等人称主语，增加被动语态和非人称结构的使用频率；（2）优化表达精炼度，避免「yields」「is feasible for」等不够地道的搭配；（3）强化「最优方案」等关键语义的对等转换；（4）适当增加学术连接词以明确贡献层次。与参考译文相比，学术成熟度和文体地道性略有差距，但在可接受范围内。
相关链接
您可以通过以下链接查看更多相关内容：
