Pular para o conteúdo principal

Dados de Coaching

Os dados de coaching são o mecanismo do rosetta para ensinar LLMs sobre idiomas nos quais eles não foram treinados. Ao fornecer regras gramaticais, dicionários e notas de estilo junto com cada solicitação de tradução, você transforma um LLM de uso geral em um tradutor sensível ao contexto para qualquer idioma — incluindo idiomas com zero suporte a MT existente.

Como Funciona​

Quando você define o método de um par como llm-coached, o rosetta carrega um arquivo de coaching de .rosetta/coaching/<locale>.json e injeta seu conteúdo em cada prompt do LLM como parte da mensagem do sistema. O LLM vê suas regras linguísticas junto com a solicitação de tradução, produzindo um resultado que segue sua gramática e terminologia em vez de adivinhar.

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

Como os dados de coaching fazem parte da mensagem do sistema, eles se beneficiam do prompt caching — provedores como Anthropic e Google fazem cache de prefixos de sistema repetidos, então você só paga pelo contexto de coaching uma vez por sessão, e não uma vez por lote.

Formato do Arquivo de Coaching​

Crie um arquivo JSON por localidade em .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​

CampoTipoObrigatórioDescrição
grammar_rulesstring[]NãoArray de regras gramaticais injetadas no prompt do sistema. Cada regra deve ser uma instrução concisa e acionável que o LLM possa seguir.
dictionaryobjectNãoMapa de chave-valor de termo em inglês → termo no idioma de destino. Usado para vocabulário específico de domínio que o LLM não conheceria.
style_notesstringNãoInstruções de estilo em formato livre (registro, tom, convenções de formalidade).

Todos os campos são opcionais — você pode começar apenas com um dicionário e adicionar regras gramaticais à medida que refina.

Comportamento de Fallback​

Se um par estiver configurado para llm-coached, mas não existir nenhum arquivo de coaching para essa localidade, o rosetta fará o fallback para o método llm padrão com um aviso no console:

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

Isso significa que você pode definir "defaultMethod": "llm-coached" globalmente com segurança — os idiomas com dados de coaching o usarão, e o restante receberá a tradução padrão do LLM sem erros.

Quando Usar o Coaching​

CenárioMétodo Recomendado
Idiomas Tier 1 (Francês, Espanhol, Alemão)llm ou google-translate — Os LLMs já os conhecem bem
Idiomas Tier 2 (Coreano, Turco, Tailandês)llm com um registro — Os LLMs lidam com eles adequadamente com orientação de estilo
Idiomas Tier 3 (Cree das Planícies, Iorubá, Quíchua)llm-coached — Os LLMs precisam de regras gramaticais e dicionários
Conlangs (Klingon, Sindarin, Kryptoniano)llm-coached — Os LLMs têm alguns dados de treinamento, mas precisam de correções

Construindo Bons Dados de Coaching​

Regras Gramaticais​

Escreva as regras como instruções, não como descrições. O LLM segue instruções melhor do que interpreta teoria linguística.

// ❌ 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"

Dicionários​

Concentre-se em termos específicos de domínio que o LLM erraria ou inventaria. Não se preocupe com palavras comuns com as quais o LLM já lida — concentre-se nos termos específicos da UI do seu aplicativo.

Notas de Estilo​

Seja específico sobre registro, formalidade e convenções:

"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."

Testando Traduções com Coaching​

Use o MT Eval Harness para fazer o benchmark de suas traduções com coaching em relação a um corpus de referência:

# 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

Isso fornece as pontuações de chrF++, BLEU e exact match. Crie várias versões de arquivos de coaching e compare — métricas objetivas superam a revisão subjetiva.

Veja Também​