기계 번역(Machine translation)
기계 번역은 텍스트, 음성, 이미지 속 문자를 한 언어에서 다른 언어로 옮기는 소프트웨어입니다. 요즘 오픈 모델은 보통 범용 모델에서 출발해 번역 전용으로 학습됩니다.
옛날 번역 시스템은 처음부터 번역을 위해 만들어졌습니다. 이 카탈로그의 오픈 번역 모델은 범용 언어 모델에서 출발해 번역 학습을 더한 것입니다. TranslateGemma는 Gemma 3에서, Index-Translate는 Qwen3.5에서, PLaMo 3 Translate는 PLaMo 3 NICT에서 시작했습니다. TranslateGemma는 사람의 번역과 Gemini가 쓴 번역으로 파인튜닝된 뒤, 번역 품질을 채점하는 보상 모델을 향한 강화 학습으로 더 학습됐습니다. PLaMo 3 Translate는 Gemma 4로 합성한 번역을 쓰고, 이어서 두 차례의 선호 최적화를 거쳤습니다.
모든 모델 카드에 등장하는 용어가 몇 가지 있습니다. 소스 언어와 타깃 언어가 번역할 언어 쌍을 이루며, 모델은 어떤 쌍에는 더 잘합니다. TranslateGemma는 55개 언어로 평가됐고, Hy-MT2는 33개, PLaMo 3 Translate는 53개, Index-Translate는 150개를 나열합니다. 저자원 언어는 학습 텍스트가 적어 가장 어렵습니다. 오프타깃 출력이란 모델이 요청된 언어가 아닌 다른 언어로 답하는 것을 말합니다. 이 모델들은 대부분 번역만 하므로, 다른 용도에는 범용 모델을 쓰세요. 모델의 입력 길이를 넘는 텍스트는 나눠야 합니다. TranslateGemma의 입력은 2K 토큰, PLaMo는 입력과 출력을 합쳐 32,768 토큰입니다. 모델은 내용을 덧붙이거나 빠뜨릴 수도 있으니, 중요한 텍스트는 사람이 반드시 확인하세요.
관련 용어
- 번역 평가 지표(Translation metrics) 번역 평가 지표는 모델 카드가 번역의 품질을 나타내는 점수입니다. 사람의 참조 번역과의 겹침을 세는 것도 있고, 학습된 모델이나 사람 검수자를 사용하는 것도 있으며, 그 척도는 서로 비교할 수 없습니다.
- 파인튜닝(Fine-tuning) 파인튜닝은 사전 학습된 모델의 학습을 자신의 예제로 이어서, 특정 작업·스타일·도메인에서 더 잘 동작하도록 만드는 것입니다.
- 강화 학습(RL) 강화 학습은 정답이나 테스트 통과 같은 좋은 결과에 보상을 주는 방식으로 모델을 훈련합니다. 예시 텍스트를 따라 하는 대신 말입니다.
- 컨텍스트 윈도우(Context window) 컨텍스트 윈도우는 모델이 한 번에 고려할 수 있는 최대 텍스트량으로, 토큰 단위로 측정하며 프롬프트와 모델 자신의 답변을 모두 포함합니다.