0. 部分留意（預測）、concatenate、dropout：

vocab.20K.en：

2. 全局留意、點積、dropout：

2. Model 2：

4. 全局留意、雙線性方式、dropout：

vocab.2K.cs：

newstest2026.en：

newstest2024.de：

4. 部分留意（預測）、點積、dropout：

vocab.60K.en ()

對于剪枝NMT（pruning NMT），請引用以下論文（假設(shè)你對代碼有興味，請聯(lián)絡咱們）：

詞匯庫（最常見的6萬個詞）：

訓練集（蘊含2680萬個句子對）

tst2024.en：

vocab.20K.en：

2. Model 2 ：

vocab.vi：

咱們放出了預訓練好的模型，可能間接經(jīng)過咱們的Matlab代碼利用。

預訓練的模型

newstest2026.cs：

詞匯庫（最常見的詞）：

Hieu Pham

IWSLT'26英文-越南語基于留意的模型（attention-based models）

對于混合NMT（hybrid NMT），請利用這個代碼庫并且引用：

8. 部分留意（預測）、雙線性方式：

vocab.2K.en：

對于通用的基于留意的NMT（general attention-based NMT），請引用以下論文：

越南語訓練集（train.vi）：

newstest2026.de：

4. 部分留意（枯燥）、雙線性方式：

摘要：幾乎之前一切的神經(jīng)機器翻譯（NMT）利用的詞匯都受限，隨后能夠用一個方法來修補未知的單詞。本論文展示了一個全新的能完成開放詞匯神經(jīng)機器翻譯（open vocabulary NMT）的詞-字符處理方法。咱們建設(shè)了一個混合的系統(tǒng)，可以完成大局部的詞級（word level）翻譯，并可查閱稀有詞的字母組成。咱們字符級的循環(huán)神經(jīng)網(wǎng)絡能計算源詞的表征，并能在需求時恢復未知的指標詞。這種混合的方法還有一個雙重優(yōu)點是，與基于字符的網(wǎng)絡相比，它更快且更容易訓練；同時，它不像基于詞的模型那樣會產(chǎn)生未知的詞。在WMT' 26英文-捷克語的翻譯義務上，這種混合方法還完成了一個額外的+ 2.2 BLEU分的降職——超過已經(jīng)能解決未知單詞的模型22.4 BLEU分。咱們的最佳系統(tǒng)在這個義務上達到了新的最佳體現(xiàn)：20.8 BLEU分。咱們證實了咱們的字符模型不只能勝利地學習生成方式很好的捷克語詞（這是一種詞匯簡單高度屈折的言語），還能為英文源詞建設(shè)了正確的表征。

vocab.20K.cs：

vocab.en：

vocab.60K.cs：

訓練集（蘊含460萬個句子對）

測試集：

newstest2024.cs：

訓練集（蘊含24.4萬個句子對）

vocab.char.200.cs ()

代碼庫：https://github字符串/lmthang/nmt.hybrid

newstest2024.en：