0. 部分留意（預(yù)測(cè)）、concatenate、dropout：

vocab.20K.en：

2. 全局留意、點(diǎn)積、dropout：

2. Model 2：

4. 全局留意、雙線性方式、dropout：

vocab.2K.cs：

newstest2026.en：

newstest2024.de：

4. 部分留意（預(yù)測(cè)）、點(diǎn)積、dropout：

vocab.60K.en ()

對(duì)于剪枝NMT（pruning NMT），請(qǐng)引用以下論文（假設(shè)你對(duì)代碼有興味，請(qǐng)聯(lián)絡(luò)咱們）：

詞匯庫(kù)（最常見(jiàn)的6萬(wàn)個(gè)詞）：

訓(xùn)練集（蘊(yùn)含2680萬(wàn)個(gè)句子對(duì)）

tst2024.en：

vocab.20K.en：

2. Model 2 ：

vocab.vi：

咱們放出了預(yù)訓(xùn)練好的模型，可能間接經(jīng)過(guò)咱們的Matlab代碼利用。

預(yù)訓(xùn)練的模型

newstest2026.cs：

詞匯庫(kù)（最常見(jiàn)的詞）：

Hieu Pham

IWSLT'26英文-越南語(yǔ)基于留意的模型（attention-based models）

對(duì)于混合NMT（hybrid NMT），請(qǐng)利用這個(gè)代碼庫(kù)并且引用：

8. 部分留意（預(yù)測(cè)）、雙線性方式：

vocab.2K.en：

對(duì)于通用的基于留意的NMT（general attention-based NMT），請(qǐng)引用以下論文：

越南語(yǔ)訓(xùn)練集（train.vi）：

newstest2026.de：

4. 部分留意（枯燥）、雙線性方式：

摘要：幾乎之前一切的神經(jīng)機(jī)器翻譯（NMT）利用的詞匯都受限，隨后能夠用一個(gè)方法來(lái)修補(bǔ)未知的單詞。本論文展示了一個(gè)全新的能完成開(kāi)放詞匯神經(jīng)機(jī)器翻譯（open vocabulary NMT）的詞-字符處理方法。咱們建設(shè)了一個(gè)混合的系統(tǒng)，可以完成大局部的詞級(jí)（word level）翻譯，并可查閱稀有詞的字母組成。咱們字符級(jí)的循環(huán)神經(jīng)網(wǎng)絡(luò)能計(jì)算源詞的表征，并能在需求時(shí)恢復(fù)未知的指標(biāo)詞。這種混合的方法還有一個(gè)雙重優(yōu)點(diǎn)是，與基于字符的網(wǎng)絡(luò)相比，它更快且更容易訓(xùn)練；同時(shí)，它不像基于詞的模型那樣會(huì)產(chǎn)生未知的詞。在WMT' 26英文-捷克語(yǔ)的翻譯義務(wù)上，這種混合方法還完成了一個(gè)額外的+ 2.2 BLEU分的降職——超過(guò)已經(jīng)能解決未知單詞的模型22.4 BLEU分。咱們的最佳系統(tǒng)在這個(gè)義務(wù)上達(dá)到了新的最佳體現(xiàn)：20.8 BLEU分。咱們證實(shí)了咱們的字符模型不只能勝利地學(xué)習(xí)生成方式很好的捷克語(yǔ)詞（這是一種詞匯簡(jiǎn)單高度屈折的言語(yǔ)），還能為英文源詞建設(shè)了正確的表征。

vocab.20K.cs：

vocab.en：

vocab.60K.cs：

訓(xùn)練集（蘊(yùn)含460萬(wàn)個(gè)句子對(duì)）

測(cè)試集：

newstest2024.cs：

訓(xùn)練集（蘊(yùn)含24.4萬(wàn)個(gè)句子對(duì)）

vocab.char.200.cs ()

代碼庫(kù)：https://github字符串/lmthang/nmt.hybrid

newstest2024.en：