NAVER LABSシステムの再実装：IWSLT 2026命令追従タスク向け
NAVER LABSは、IWSLT 2025の命令追従パイプラインをIWSLT 2026共有タスク（制約付き条件、短音声トラック）向けに再実装し、義務付けられたコンポーネントであるSeamlessM4T-v2-large（音声エンコーダ）とQwen3-4B-Instruct（LLMバックボーン）に適応させました。3段階のアプローチ（プロジェクタ整列、テキストのみのLoRA事前学習、マルチモーダル融合）は元の設計から維持されています。さらに、提供されたコーパスから10の音声中心タスクタイプにわたる10万の合成命令追従例（タスクあたり1万）を構築しました。主要モデルは、EN-ZH音声翻訳でCOMET 0.781、MCIFベンチマークの英語SQAでBERTScore-F1 0.346を達成しています。
arXivに投稿された最新論文「NAVER LABS System Re-implementation for the IWSLT 2026 Instruction-Following Task」（著者：Anand Kamble他1名）では、NAVER LABSチームがIWSLT 2026共有タスク（制約付き条件、短音声トラック）向けに命令追従パイプラインを再実装し、適応させたプロセスが詳述されています。この研究は、NAVER LABSがIWSLT 2025で開発したオリジナル設計に基づいていますが、新しいタスクの制約に合わせて重要な変更が加えられています。研究チームは音声エンコーダとしてSeamlessM4T-v2-largeを採用し、大規模言語モデル（LLM）バックボーンとしてQwen3-4B-Instructを選択しました。手法は元の3段階訓練戦略、すなわちプロジェクタ整列、テキストのみのLoRA事前学習、そしてマルチモーダル融合をそのまま維持しています。第3段階の微調整を支援するため、チームは提供されたコーパスから10万の合成命令追従例を構築しました。これらの例は10種類の音声中心タスクタイプに均等に分散され、各タスクタイプにつき1万サンプルが用意されています。このデータ拡張戦略はモデルの汎化能力を高めることを目的としています。性能評価において、主要モデルは英語から中国語への音声翻訳タスクでCOMETスコア0.781を達成し、MCIFベンチマークの英語音声質問応答（SQA）タスクでBERTScore-F1 0.346を記録しました。これらの結果は、本再実装システムが命令追従シナリオにおいて有効であることを示しています。論文は2026年7月6日にarXivに提出され、計算と言語（cs.CL）の分野に分類されています。研究者らは既存のコンポーネントを再利用・調整することで、制約のある条件下でも競争力のある性能を達成し、再現可能なベースラインを提供しています。