Saltar al contenido principal

Datos de Coaching

Los datos de coaching son el mecanismo de rosetta para enseñar a los LLMs sobre idiomas en los que no fueron entrenados. Al proporcionar reglas gramaticales, diccionarios y notas de estilo junto con cada solicitud de traducción, usted transforma un LLM de propósito general en un traductor consciente del contexto para cualquier idioma, incluyendo idiomas con cero soporte de MT (traducción automática) existente.

Cómo funciona​

Cuando usted configura el método de un par como llm-coached, rosetta carga un archivo de coaching desde .rosetta/coaching/<locale>.json e inyecta su contenido en cada prompt del LLM como parte del mensaje del sistema. El LLM ve sus reglas lingüísticas junto a la solicitud de traducción, produciendo un resultado que sigue su gramática y terminología en lugar de adivinar.

┌──────────────────────────────────────────────────────┐
│ System Message (cached across batches)               │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Base translation rules                           │ │
│ │ + Register instructions                          │ │
│ │ + Grammar rules (from coaching data)             │ │
│ │ + Dictionary entries (from coaching data)         │ │
│ │ + Style notes (from coaching data)               │ │
│ └──────────────────────────────────────────────────┘ │
├──────────────────────────────────────────────────────┤
│ User Message (per batch)                             │
│ ┌──────────────────────────────────────────────────┐ │
│ │ Keys to translate (JSON)                         │ │
│ └──────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────┘

Debido a que los datos de coaching son parte del mensaje del sistema, se benefician del prompt caching (almacenamiento en caché de prompts): proveedores como Anthropic y Google almacenan en caché los prefijos repetidos del sistema, por lo que usted solo paga por el contexto de coaching una vez por sesión, no una vez por lote.

Formato del archivo de coaching​

Cree un archivo JSON por configuración regional (locale) en .rosetta/coaching/:

.rosetta/coaching/crk.json
{
  "grammar_rules": [
    "Plains Cree is polysynthetic — a single word can express what English needs a full sentence for",
    "Animate/inanimate noun distinction affects verb conjugation",
    "Use SRO (Standard Roman Orthography) unless script converter handles conversion",
    "Verb stems are modified by prefixes and suffixes to indicate person, number, tense, and evidentiality"
  ],
  "dictionary": {
    "home": "kīwēwin",
    "settings": "isi-nākatohkēwin",
    "search": "nānātawāpahtam",
    "welcome": "tānisi",
    "submit": "ispīhci",
    "cancel": "pōni"
  },
  "style_notes": "Use formal register. Preserve English technical terms in parentheses when no Cree equivalent exists. Avoid loanwords when a descriptive Cree expression exists."
}

Campos​

CampoTipoRequeridoDescripción
grammar_rulesstring[]NoArreglo de reglas gramaticales inyectadas en el prompt del sistema. Cada regla debe ser una instrucción concisa y procesable que el LLM pueda seguir.
dictionaryobjectNoMapa de clave-valor de término en inglés → término en el idioma de destino. Se utiliza para vocabulario específico del dominio que el LLM no conocería.
style_notesstringNoInstrucciones de estilo de formato libre (registro, tono, convenciones de formalidad).

Todos los campos son opcionales: usted puede comenzar solo con un diccionario y agregar reglas gramaticales a medida que perfecciona.

Comportamiento de respaldo​

Si un par está configurado para llm-coached pero no existe un archivo de coaching para esa configuración regional, rosetta recurre al método estándar llm con una advertencia en la consola:

[INFO] No coaching data for "crk" at .rosetta/coaching/crk.json
       Falling back to standard LLM method. Create coaching data for better results.

Esto significa que usted puede configurar de manera segura "defaultMethod": "llm-coached" a nivel global: los idiomas con datos de coaching lo usarán, y el resto obtendrá la traducción estándar del LLM sin errores.

Cuándo usar el Coaching​

EscenarioMétodo recomendado
Idiomas de Nivel 1 (francés, español, alemán)llm o google-translate: los LLMs ya los conocen bien
Idiomas de Nivel 2 (coreano, turco, tailandés)llm con un registro: los LLMs los manejan adecuadamente con orientación de estilo
Idiomas de Nivel 3 (cree de las llanuras, yoruba, quechua)llm-coached: los LLMs necesitan reglas gramaticales y diccionarios
Lenguas construidas (klingon, sindarin, kryptoniano)llm-coached: los LLMs tienen algunos datos de entrenamiento pero necesitan correcciones

Creación de buenos datos de coaching​

Reglas gramaticales​

Escriba las reglas como instrucciones, no como descripciones. El LLM sigue mejor las instrucciones que lo que interpreta la teoría lingüística.

// ❌ Descriptive (the LLM learns nothing actionable)
"Plains Cree has animate and inanimate noun classes"

// ✅ Instructive (the LLM knows what to do)
"When translating nouns, check whether the Cree equivalent is animate (NA) or inanimate (NI) — this affects which verb conjugation to use"

Diccionarios​

Concéntrese en los términos específicos del dominio que el LLM podría equivocar o inventar. No se moleste con palabras comunes que el LLM ya maneja; enfóquese en los términos específicos de la interfaz de usuario (UI) de su aplicación.

Notas de estilo​

Sea específico sobre el registro, la formalidad y las convenciones:

"style_notes": "Use formal register (vous-form in French). Preserve brand names untranslated. UI labels should be imperative mood ('Save', not 'Saves'). Maximum 40 characters for button text."

Pruebas de traducciones con coaching​

Utilice el MT Eval Harness para evaluar el rendimiento de sus traducciones con coaching frente a un corpus de referencia:

# Install the harness
pip install mt-eval-harness

# Run coached translations against your test corpus
mt-eval run --corpus data/crk-corpus.json --model google/gemini-2.5-pro

# Score the results
mt-eval test eval/logs/run_*.json

Esto le proporciona puntuaciones de chrF++, BLEU y coincidencias exactas. Cree múltiples versiones del archivo de coaching y compare: las métricas objetivas superan a la revisión subjetiva.

Consulte también​