LLM翻译中的词汇冲突：提示词定义能覆盖模型旧知识吗？

当“程序员”被重新定义：LLM 的词汇知识冲突

大语言模型（LLM）在翻译低资源语言或专业领域文本时，常需要借助外部词汇资源。但这些资源给出的释义，可能与模型内部已有的词汇知识相冲突。例如，一个常见词在特定语境下被赋予全新含义，模型会优先相信提示词中的定义，还是自己训练时学到的旧知识？

一篇题为《Are These Programmers Ripe Enough to Eat? Evaluating How LLMs Handle Lexical Knowledge Conflicts in Translation》的研究，通过构建受控的汉英翻译任务，系统考察了这一问题。研究者将提示词中提供的释义称为“上下文知识”（Contextual Knowledge，CK），并围绕词频、句子语境和提示框架三个变量，在九个模型上展开评估。

实验设计：在语义范畴内外制造冲突

研究团队设计了一个精巧的受控翻译任务：选取常见的汉语词，在语义范畴内或跨范畴为其指定新含义，然后要求模型翻译成英文。例如，将“程序员”一词赋予“可食用的成熟果实”这类反常含义，观察模型输出是否采纳提示词给出的定义。

这种设计的价值在于隔离变量。真实翻译场景中，模型可能同时受上下文、领域知识和词汇频率影响，难以判断它依赖CK的原因。而通过控制源词熟悉度、句子语境和提示框架，研究者能够更清晰地观察模型对CK的依赖程度。

上下文知识（Contextual Knowledge, CK） 是本文的核心操作化概念，指提示词中显式提供给模型的词义定义。它与模型在预训练阶段通过海量语料习得的参数化知识（parametric knowledge）相对：前者是推理时注入的、临时的外部信息，后者是固化在权重中的先验。当二者对同一词项给出不一致的释义时，便构成词汇知识冲突。这一框架源自知识冲突研究，该领域此前多关注事实性问答中“检索增强”与模型内部记忆的矛盾，本文将其迁移至翻译场景，把“词义”作为冲突载体，因而CK依赖程度可被视作模型在推理时对外部指令性知识的服从倾向。

核心发现：低频词、支持性语境与提示框架的影响

词频效应：九个模型整体表现出，源词越不常见，模型对CK的依赖越强。这符合直觉——模型对低频词的先验知识较弱，更容易被提示词中的定义“带偏”。

语境效应：当句子上下文与提示词提供的释义一致时，模型更倾向于采纳CK。语境起到了放大器的作用，让新定义显得更合理。

提示框架的作用与局限：提示框架可以降低CK依赖，但效果有限。在九个模型中，有七个模型即使在明确被指示“忽略所给释义”的情况下，仍然优先采纳CK。这说明模型对提示词中定义的服从具有相当的顽固性，简单的指令否定难以奏效。

模型规模的影响：在同一模型家族内部，较大的模型比较小的模型更可能利用CK。这一发现值得玩味——更大的模型通常被认为知识更丰富、更善于遵循指令，但在词汇冲突场景下，这种能力反而表现为更容易被提示词定义覆盖。

提示框架（prompt framing） 指通过措辞、角色设定或指令结构来改变模型对提示内容的解读方式。例如，将定义包装为“权威词典释义”还是“某人的猜测”，或加入“请忽略以下释义”的否定指令，都属于框架操作。本文发现框架能削弱但不能消除CK依赖，这与指令遵循（instruction following）和谄媚偏差（sycophancy）研究相呼应：模型倾向于迎合提示中呈现的信息，即使被明确要求抵制。所谓“顽固性”正说明，词汇冲突不是简单的注意力分配问题，而涉及模型对提示词权威性的默认赋值。

三个后续实验：情态弱化、重复与推理

研究还进行了三项后续实验，进一步揭示CK依赖的边界条件：

• 情态弱化：降低提示词中定义的确信程度（如使用“可能”“也许”等表述），会减少模型对CK的依赖。
• 重复效应：重复提供同一释义的效果取决于提示词的布局方式，并非简单的“重复越多越有效”。
• 推理效应：推理步骤对不同模型的影响不一致，有的模型因推理而更依赖CK，有的则相反。

这些结果说明，CK依赖并非单一因素决定，而是词频、语境、提示措辞、布局和模型特性共同作用的结果。

情态弱化（modal weakening）借用了语言学中的情态范畴：用“可能”“据说”“也许”等认识情态标记降低命题的确信度。在提示工程中，它相当于给定义附加不确定性信号，使模型不再将其视为确定事实。本文结果显示，弱化情态可减少CK依赖，说明模型对提示信息的采纳程度对认识论标记敏感，提示措辞本身携带的置信度线索会被模型部分解码并用于权衡新旧知识。这为一种低成本的冲突缓解策略提供了依据：不必删除冲突定义，只需降低其断言强度。

实践启示：检测与引导词汇冲突

这项研究的意义不止于揭示现象。它提醒我们，在利用外部词汇资源增强LLM翻译能力时，需要警惕模型旧知识与新定义之间的冲突。尤其在专业领域翻译中，术语被赋予特定含义时，模型可能表面上“学会”了新词义，实则仍在输出旧知识。

研究者呼吁开发新的方法来检测和评估词汇冲突，并引导模型在翻译中做出合理的词汇选择。对于依赖LLM进行专业翻译的从业者而言，这意味着不能盲目信任提示词中的术语表，而应设计更稳健的提示策略，例如结合情态弱化、调整提示布局，或引入显式的冲突检测机制。

在模型规模持续增长的背景下，这一问题的复杂性可能进一步上升——更大的模型更善于利用上下文知识，也意味着它们可能更固执地“服从”提示词中的定义，哪怕这种服从与事实相悖。