大型语言模型（LLM）正越来越多地被用作通用翻译系统，但它们的性能通常仅在单一提示形式下评估：将一条源语句翻译成一种目标语言。然而在实际应用中，用户的需求往往更加多样化，例如要求翻译成一种目标语言、同时翻译成几种相关语言，或者希望基于提供的示例进行条件翻译。这种现实与评估之间的差距，促使研究者深入探讨提示范围和示例选择作为实验变量的影响。
本研究由Mihael Arcan等人完成，论文于2026年7月28日提交至arXiv。研究者评估了从英语到罗曼语族（包括法语、意大利语、西班牙语等）和日耳曼语族（包括德语、荷兰语、瑞典语等）的翻译任务，使用了完整的FLORES开发测试集，涵盖九种欧盟官方语言。他们比较了三种本地指令调优的LLM——llama3.2:3b、mistral:latest和qwen2.5:14b——与来自OPUS-MT和NLLB-200的专用机器翻译基线。实验中测试了零样本提示和k=5的少样本提示，其中示例选择采用了随机、词汇相似性和嵌入相似性三种方法。此外，还比较了单目标提示（每次翻译一个目标语言）与JSON格式的家庭范围提示（一次性翻译同一语族内的所有语言）。
结果显示，专用机器翻译系统仍然整体最强，特别是在日耳曼语言上表现出显著优势。少样本提示对mistral:latest和qwen2.5:14b有帮助，但对llama3.2:3b反而有害；对于较强的LLM，基于嵌入的示例检索平均效果最好，但其相对于随机和词汇示例的优势并不显著。家庭范围提示对于较强的本地LLM是可行的，但在较小模型中暴露了结构化输出失败的问题，例如模型无法正确生成JSON格式。
这些发现具有重要意义：评估LLM翻译性能时，不能仅考虑语言对和自动评估指标，还应将提示范围、检索策略和多目标遵从性纳入考量。这为未来LLM翻译系统的设计和评估提供了新的方向。