大语言模型在机器翻译质量标注中的表现：人类与模型均面临挑战

大语言模型在机器翻译质量标注任务中与人类标注者的一致性存在显著差异，部分任务中模型与人类的一致性高于人类之间的一致性。研究基于70种语言对的长上下文测试集及WMT23和WMT25公开数据，发现模型在细微错误、错误语言变体和错误跨度标注方面表现不佳，而人类在细粒度MQM标注和低资源语言对上存在困难。研究指出，通过人类与大语言模型协作的标注流程，可能提升标注可靠性。