arXiv 2026年2月17日该工作提出 RT-SFT：利用神经机器翻译往返翻译（经枢轴语言）作为大规模、无需任务训练的“去风格”归一化器，把单语目标风格语料转成伪平行语料，再用 LoRA 微调指令微调大模型作为风格化器，并在测试时对查询施加同一归一化以保持分布一致；在四个风格域上，RT-SFT 以较大幅度优于少样本上下文学习等现有方法，并报告了面向术语与命名规范严格的专家风格域的有效检索增强方法。该工作提出 RT-SFT：利用神经机器翻译往返翻译（经枢轴语言）作为大规模、无需任务训练的“去风格”归一化器，把单语目标风格语料转成伪平行语料，再用 LoRA 微调指令微调大模型作为风格化器，并在测试时对查询施加同一归一化以保持分布一致；在四个风格域上，RT-SFT 以较大幅度优于少样本上下文学习等现有方法，并报告了面向术语与命名规范严格的专家风格域的有效检索增强方法。RT-SFT 用往返翻译把单语语料变成伪平行数据，在四个风格域上超过少样本上下文学习该工作提出 RT-SFT：利用神经机器翻译往返翻译（经枢轴语言）作为大规模、无需任务训练的“去风格”归一化器，把单语目标风格语料转成伪平行语料，再用 LoRA 微调指令微调大模型作为风格化器，并在测试时对查询施加同一归一化以保持分布一致；在四个风格域上，RT-SFT 以较大幅度优于少样本上下文学习等现有方法，并报告了面向术语与命名规范严格的专家风格域的有效检索增强方法。该工作提出 RT-SFT：利用神经机器翻译往返翻译（经枢轴语言）作为大规模、无需任务训练的“去风格”归一化器，把单语目标风格语料转成伪平行语料，再用 LoRA 微调指令微调大模型作为风格化器，并在测试时对查询施加同一归一化以保持分布一致；在四个风格域上，RT-SFT 以较大幅度优于少样本上下文学习等现有方法，并报告了面向术语与命名规范严格的专家风格域的有效检索增强方法。