摘要

保护古代语言对于理解人类文化和语言遗产至关重要，但古英语资源严重匮乏，限制了现代自然语言处理技术的应用。提出了一种可扩展框架，利用先进的大语言模型生成高质量古英语文本。该方法结合参数高效微调（低秩适应LoRA）、通过回译进行数据增强，以及分离内容生成（英语）和翻译（古英语）任务的双代理流程。

技术方法

参数高效微调

采用低秩适应（LoRA）技术，在保持模型性能的同时显著减少训练参数量，使模型能够快速适应低资源语言环境。

数据增强策略

通过回译技术扩充训练数据，先将现代英语文本翻译为古英语，再反向翻译验证，确保数据质量和一致性。

双代理流程架构

• 内容生成代理：负责生成现代英语内容
• 翻译代理：专门处理英语到古英语的转换 这种任务分离设计提高了生成文本的准确性和风格一致性。

评估结果

使用自动化指标（BLEU、METEOR、CHRF）评估显示，相比基线模型有显著改进：

• BLEU分数从26提升至65以上（英语到古英语翻译）
• 专家人工评估确认生成文本具有高语法准确性和风格保真度

应用价值

该框架不仅扩展了古英语语料库，更为其他濒危语言的复兴提供了实用蓝图，有效实现了人工智能创新与文化保护目标的结合。

技术特点

• 适用于极低资源语言环境
• 保持生成文本的语言学准确性
• 可扩展至其他历史语言处理
• 结合了现代NLP技术与传统文化保护需求

框架代码实现已通过标准机器学习平台发布，支持研究者复现和进一步开发。