メインコンテンツへスキップ

コーチングデータ

コーチングデータは、LLMが学習していない言語について教えるためのrosettaのメカニズムです。各翻訳リクエストと一緒に文法規則、辞書、スタイルノートを提供することで、汎用LLMをあらゆる言語（既存のMTサポートが全くない言語も含みます）に対応したコンテキスト認識型の翻訳機に変換します。

仕組み​

ペアのメソッドを llm-coached に設定すると、rosettaは .rosetta/coaching/<locale>.json からコーチングファイルを読み込み、その内容をシステムメッセージの一部としてすべてのLLMプロンプトに注入します。LLMは翻訳リクエストと一緒に言語規則を参照するため、推測に頼るのではなく、指定された文法や用語に従った出力を生成します。

┌──────────────────────────────────────────────────────┐
│ 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)                         │ │
│ └──────────────────────────────────────────────────┘ │
└──────────────────────────────────────────────────────┘

コーチングデータはシステムメッセージの一部であるため、プロンプトキャッシングの恩恵を受けます。AnthropicやGoogleなどのプロバイダーは繰り返されるシステムプレフィックスをキャッシュするため、コーチングコンテキストのコストはバッチごとではなく、セッションごとに1回支払うだけで済みます。

コーチングファイルのフォーマット​

.rosetta/coaching/ にロケールごとに1つのJSONファイルを作成します。

.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."
}

フィールド​

フィールドタイプ必須説明
grammar_rulesstring[]いいえシステムプロンプトに注入される文法規則の配列。各規則は、LLMが従うことのできる簡潔で実行可能な指示である必要があります。
dictionaryobjectいいえ英語の用語 → ターゲット言語の用語のキーと値のマップ。LLMが知らないドメイン固有の語彙に使用されます。
style_notesstringいいえ自由形式のスタイル指示（レジスター、トーン、フォーマルさの規則）。

すべてのフィールドはオプションです。最初は辞書だけで開始し、調整を進めながら文法規則を追加することができます。

フォールバックの動作​

ペアが llm-coached に設定されているにもかかわらず、そのロケールのコーチングファイルが存在しない場合、rosettaはコンソール警告を出力し、標準の llm メソッドにフォールバックします。

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

これにより、グローバルに "defaultMethod": "llm-coached" を安全に設定できます。コーチングデータがある言語ではそれが使用され、残りの言語ではエラーなしで標準のLLM翻訳が実行されます。

コーチングを使用するタイミング​

シナリオ推奨メソッド
Tier 1言語（フランス語、スペイン語、ドイツ語）llm または google-translate — LLMはすでにこれらを熟知しています
Tier 2言語（韓国語、トルコ語、タイ語）レジスター付きの llm — LLMはスタイルガイダンスがあればこれらを適切に処理します
Tier 3言語（平原クリー語、ヨルバ語、ケチュア語）llm-coached — LLMには文法規則と辞書が必要です
人工言語（クリンゴン語、シンダール語、クリプトン語）llm-coached — LLMにはある程度のトレーニングデータがありますが、修正が必要です

優れたコーチングデータの構築​

文法規則​

規則は説明ではなく、指示として記述してください。LLMは言語学の理論を解釈するよりも、指示に従う方が得意です。

// ❌ 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"

辞書​

LLMが間違えたり捏造したりする可能性のあるドメイン固有の用語に焦点を当てます。LLMがすでに処理できる一般的な単語を気にする必要はありません。アプリケーションのUIに特有の用語に集中してください。

スタイルノート​

レジスター、フォーマルさ、および規則について具体的に記述します。

"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."

コーチングされた翻訳のテスト​

MT Eval Harness を使用して、コーチングされた翻訳をリファレンスコーパスに対してベンチマークします。

# 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

これにより、chrF++、BLEU、および完全一致スコアが得られます。コーチングファイルの複数のバージョンを作成して比較してください。客観的な指標は主観的なレビューに勝ります。

関連項目​