kimi-for-coding 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-for-coding
- 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
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：85.8 分（满分 100 分），已通过
基础难度评测结果
- 得分：85.8 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 | Sparse 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 | 因子化注意力模式 | | learnable connectivity patterns | 可学习的连接模式 | | language modeling | 语言建模 | | perplexity | 困惑度 | | memory usage | 内存占用 | ## 完整译文 本文提出了一种名为“Sparse Transformer”的新型注意力机制，其通过利用因子化注意力模式并引入可学习的连接模式，将自注意力的计算复杂度从O(n²)降至O(n√n)。在语言建模任务上的实验结果表明，该方法在取得可比困惑度的同时，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】候选译文整体质量良好，学术文体规范，数学符号与实验数据均忠实于原文，逻辑层次清晰。主要不足在于：「Sparse Transformer」未提供中文对应译名（缺失「稀疏Transformer」）；「factorized」译为「因子化」在学界认可度低于「分解」；首句结构略显冗长。与参考答案相比，候选译文在完整性和规范性上略有差距，但总体已达到较高水准，属于合格的学术翻译输出。 【GEMINI】这是一份高质量的学术翻译。候选输出准确识别了核心术语，并在译文中展现了深厚的学术写作功底，句式洗练且符合中文表达习惯。唯一的微瑕在于模型名称未进行中文化处理，但整体上完全达到了专业学术翻译的标准。 【KIMI】该翻译整体质量合格，能够完成学术论文摘要的基本翻译任务，数学符号和数据保留完整，学术文体大体得当。主要失分点在于：（1）'Sparse Transformer'未给出中文译名，直接保留英文，违反了'术语翻译与学术界通行译法保持一致'的核心要求；（2）'factorized'译为'因子化'不够规范；（3）术语对照表格式存在将数学表达式误作术语的问题；（4）引号格式未按中文规范使用。建议在专业术语的规范性、对照表的完整性以及标点符号的规范性方面加强。
进阶难度评测结果
- 得分：90.8 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：
本文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。该框架引入了一种新型边条件卷积操作，能够同时捕获蛋白质复合物的序列与结构特征。通过多序列比对整合进化信息，模型在基准数据集上的 AUC 达到 0.92，较现有方法提升 8%。 --- **关键术语对照表** - deep learning framework → 深度学习框架 - protein-protein interactions → 蛋白质-蛋白质相互作用 - graph neural networks → 图神经网络 - edge-conditioned convolution → 边条件卷积 - protein complexes → 蛋白质复合物 - sequential and structural features → 序列与结构特征 - evolutionary information → 进化信息 - multiple sequence alignments → 多序列比对 - AUC → AUC（曲线下面积） - 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】候选译文总体质量较高，专业术语翻译规范，学术语言风格得当，跨学科概念衔接流畅，能够准确传达原文的研究脉络。主要不足有两点：一是「outperforming existing methods by 8%」译为「提升8%」而非「提升8个百分点」，在学术严谨性上略逊于参考答案；二是原文四句的逻辑层次被压缩为三句，轻微弱化了摘要的结构递进感。关键术语对照表完整规范，是译文的加分项。综合而言，该译文可达到中文学术期刊摘要的发表标准，是一篇质量良好的跨学科翻译作品。 【GEMINI】该翻译结果非常出色，完全符合资深学术翻译专家的定位。它不仅准确传达了跨学科的专业术语，还在维持学术严谨性的同时，确保了句式的流畅与逻辑的连贯。特别是在处理百分比数据时，严格执行了“不得改写”的指令要求，展现了极高的指令遵循能力。术语对照表格式规范，内容完整，是一份高质量的学术翻译产出。 【KIMI】该候选译文整体质量较高，术语翻译准确规范，学术风格基本到位，逻辑结构清晰。主要失分点在于'outperforming existing methods by 8%'译为'提升8%'未消除歧义，未明确使用'百分点'概念，这在学术数据传达中属于较关键的问题。此外个别表述的学术正式性有微调空间。对照表格式与参考答案要求的'英文术语 → 中文译名'格式一致，但使用了Markdown加粗标题而非参考的【】格式，不影响内容质量。
困难难度评测结果
- 得分：86.9 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 (Core Terminology)** | 类别 | 中文术语 | 英文术语 | |------|----------|----------| | **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 | | | 环上误差学习问题 | Ring-Learning With Errors (Ring-LWE) | | | 可证明安全 | provably secure | | | 密文打包 | ciphertext packing | | **量子计算** | 后量子安全 | post-quantum security | | | 量子攻击 | quantum adversary / quantum attack | | | 困难性 | hardness / intractability | | | 量子抗性 | quantum-resistant | | **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 | | | 128位安全级别 | 128-bit security level | --- **英文摘要 (Abstract)** We propose a lattice-based post-quantum secure multi-party computation (MPC) protocol. 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, we reduce the communication complexity from $O(n^2\kappa)$ to $O(n\kappa\log n)$, where $\kappa$ denotes the security parameter. At the 128-bit security level, the protocol achieves a $2.3\times$ improvement in computational efficiency over the state-of-the-art, while preserving asymptotically optimal security against quantum adversaries. Experimental results demonstrate its practical feasibility.
AI 评审点评
以下是 AI 评审对该模型输出的点评：
【CLAUDE】候选输出整体质量较高，术语覆盖全面且分类规范，数学符号处理采用 LaTeX 格式优于参考答案，安全性声明语义区分准确。主要不足在于学术文体层面对「we」主语的过度使用，未能充分体现英文密码学摘要惯用的被动/非人称结构，与顶级会议（CRYPTO/EUROCRYPT）的摘要写作规范存在一定距离。术语表中「Ring-Learning With Errors」的连字符用法也略有争议。综合而言，该译文达到了较高的学术翻译水准，适合提交至密码学领域高水平会议，但在文体规范性上仍有优化空间。 【GEMINI】这是一份高质量的专业学术翻译。术语极其精准，数学符号排版符合国际学术规范。虽然在句式结构上对“规避重复第一人称主语”的负向约束执行得不够彻底，但其学术严谨性和逻辑完整性完全达到了顶级密码学会议摘要的标准。 【KIMI】该译文在专业术语和数学符号层面基本达标，但学术写作风格与 IACR 规范存在显著差距。核心问题在于过度依赖 'we/our' 主语结构的直译，未有效转换为英文学术摘要偏好的被动/非人称表达；同时学术连接词匮乏、部分措辞偏口语化。术语方面 'Ring-LWE' 的连字符使用错误虽小但反映细节规范意识不足。建议重点改进：将主动语态转换为被动语态（如 'is reduced' 替代 'we reduce'），增加 'This paper presents' 等非人称开篇，补充 'notably'、'furthermore' 等逻辑连接词，并统一术语对照表与正文的一致性。
相关链接
您可以通过以下链接查看更多相关内容：
