摘要
随着机器翻译（MT）评估指标每年在与人类判断的相关性方面持续提升，深入理解这些指标在句子级别上的局限性变得尤为重要。特别是，当机器翻译出现准确性错误时，评估指标的表现值得重点关注，因为在某些关键领域（如法律、医疗）这类错误可能带来严重后果。为此，我们构建了ACES——一个翻译准确性挑战数据集，涵盖68种不同的语言现象，从词汇/字符层面的简单扰动，到基于语篇连贯性及现实世界知识的复杂错误。我们利用ACES对多种MT评估指标进行了评估，包括参与WMT 2022评估指标共享任务的各类方法，并通过多项分析得出了面向指标开发者的通用建议：第一，应融合具有不同优势的多种评估指标；第二，应开发更重视源语言信息、减少对参考译文表面重合度依赖的评估指标；第三，应显式建模超出多语言嵌入所能提供的语言特异性信息。