предложения с помощью SimAlign, который выбирает замены на основе контекста через эмбеддинги. Они дообучили несколько открытых моделей (mBART, M2M100, NLLB-600, NLLB-3.3B) на этих синтетических данных. Хотя коммерческие системы показали более высокие результаты по автоматическим метрикам (BLEU, ChrF++, COMET), человеческая оценка с использованием шкалы Лайкерта показала, что дообученная модель NLLB-3.3B достигла 3,09/5, обойдя два коммерческих API (2,80 и 3,49). Данный подход также улучшил производительность при добавлении данных из Twitter, переведенных на казахский язык. Однако синтетические данные были оценены лишь на 2,62/5 по естественности, тестовый набор мал (618 предложений), а переносимость на другие языковые пары остается неопределенной.