SMART 用自进化多智能体把整季字幕翻译做成长程状态任务，在 15 个方向上取得最低 SubMQM 惩罚

SMART 把长篇字幕翻译建模为带持久状态的自适应过程：测试时训练阶段演化智能体提示、路由策略与剧集级记忆，测试时推理阶段冻结配置但记忆继续累积。 与固定工作流的多智能体翻译系统不同，SMART 在测试时演化；与通用自进化智能体不同，它针对长篇翻译任务，在改进后续句子的同时保留术语、风格与既有翻译能力；与常规提示优化不同，它把提示与智能体行为当作持久系统状态，由翻译专用反馈更新。 论文给出两阶段流程、系统状态定义（翻译器池、提示、路由策略、剧集记忆）以及五个阶段的测试时训练循环（TRANSLATE、EVALUATE、PROMPT OPTIMIZATION、STRUCTURE OPTIMIZATION、SAVE CONFIG），并说明提示与路由更新受约束、每轮训练一次、底层 LLM 参数不变。

消融实验显示剧集级记忆是贡献最大的组件，移除后平均 Overall 惩罚上升约 0.78，其后依次是 MoA、上下文检索与习语库、滑窗一致性、自进化与动态路由。 该结果把长期上下文、知识检索与多专家假设的整合作用与单一提示拼接区分开来：用 Combined Prompt 替换 MoA 会使惩罚上升约 0.36，说明收益来自独立生成的专家假设而非仅是指令本身。 消融在六个代表性方向（enzh、ende、enko、enit、enes、enfr）上进行，逐项给出惩罚增量，并说明各变体只改动指定组件、其余配置与评估协议保持一致。

SMART 在 Subtitle Arena 全部 15 个英译方向与 15 个反向方向上取得最低 Overall SubMQM 惩罚，平均惩罚相对最强智能体基线 TransAgent 降低 6.9%，且改进分布在语义与字幕特有维度而非单一错误类型。 相对 TransAgent，平均 Accuracy 惩罚与平均 Technical 惩罚同时下降，Terminology、Fluency、Linguistic Conventions、Locale Conventions 与 Audience Appropriateness 也一并改善；反向语区到英语的评估呈现同样趋势，说明收益不限于生成多样目标语言。 结果基于 SubMQM 这一字幕适配的 MQM 协议，含 7 个维度、19 类错误，所有系统使用同一评估器与评分标准，惩罚越低越好；论文同时报告了全部 30 个方向的细粒度结果所在附录。

在公开 MuSC 基准上，SMART 在四个语言对的 Accuracy、Naturalness、Vividness 上均取得最佳模型结果，并在 20 位标注者的盲测中四项标准均排名第一，总体得分 4.50/5。 增益在 Vividness 上尤为明显，说明高质量字幕不仅需要语义忠实，还需要在长篇叙事内容上做上下文与风格适配；人工评测中 SMART 在 Consistency 上表现最好。 MuSC 结果与强推理模型及微调后的 ALPO 基线对比；人工研究使用对齐字幕片段与对应视频，五位匿名候选随机排序，按 Fidelity、Consistency、Language、Subtitle 四项从最好到最差排名，论文说明该研究规模有限、标准较粗，用于验证面向观众的质量，细粒度错误分析仍由 SubMQM 承担。

该结果面向长篇、连续叙事的字幕翻译场景，尤其是需要跨集维持术语、人物指代与风格一致性的电视剧本地化；论文说明 SMART 最适合语义准确性、上下文一致性与字幕质量优先于最小化推理时计算的场合，并展示了在更弱翻译骨干、替换评估器、加入视频与音频多模态工具以及 2025–2026 年新剧集上的适用性。Subtitle Arena 与 SubMQM 为后续研究提供了系列级、错误类型化的评测基础，可支持对语篇保持、术语一致与字幕显示约束的进一步比较。

加载文本为完整论文正文，但部分附录表格在证据包中被截断，例如多模态扩展表 21 的 enfr 行未完整呈现，因此多模态扩展的逐方向细节只能依据正文概述（六个代表性方向上平均 SubMQM 惩罚从 0.63 降至 0.57，并优于 ViDove 与 Hermes）来理解。此外，人工评测规模为 20 位标注者、四项较粗标准，论文自身说明其用于验证面向观众的质量而非替代细粒度诊断；时间泛化评估使用 200 部 2025–2026 年新剧集，其结论以相对 TransAgent 的六个方向比较为主。读者若关注具体错误类型或某一语区的表现，仍需查阅附录中的完整细粒度表格。