要让 HellGPT 翻译不加入原文没有的信息，最实用的做法是——从系统层面明确“只翻译原文、不得推断或补充”，把模型调成确定性解码（温度降到0或用束搜索）、启用术语白名单和强制词约束，逐句对照并用回译做自动核验，同时结合置信度阈值与人工抽查。遇到多义或信息不足的地方，应明确用原词或标注“不确定/需要来源”，并提供可编辑的术语表与批注通道，这样既忠实又便于后续修订。
先说为什么会“添加”信息
说白了，模型会在翻译中“添油加醋”主要有几个原因：一是语言本身的歧义或省略，需要模型去填补语义空白；二是模型生成时有随机性（比如高温度采样），会倾向于更“通顺”但不一定忠实的表述；三是训练数据有惯性，模型学会了在上下文补全信息；四是没有明确约束或评分机制去惩罚“新增信息”。了解这些根源，才能对症下药。
核心原则（像费曼那样分解）
- 清晰的指令胜过模糊的期望：系统提示要把“忠实”定义清楚。
- 减少随机性，增加确定性：用确定性解码和更保守的搜索策略。
- 显式约束而非隐含期望：术语表、强制词、禁止词、格式模板。
- 自动与人工双重校验：回译、对齐、置信度评分加抽样人工复核。
具体可执行的步骤（从最简单到最完善）
一、界面与配置层面（用户可直接做的）
- 开启“忠实模式”或“直译优先”开关：把翻译偏好设置为首要忠实于原文。
- 温度与解码方式：温度设为0或极低值；使用贪心解码或束搜索（beam search），避免采样式生成。
- 上传术语表/词汇表：用户可预设专有名词或保留字，系统在翻译时优先使用。
- 逐句/逐段对照显示：界面显示原文与译文并列，便于人工即时发现增补信息。
二、系统提示与指令设计（提示工程）
把要求写成机器能严格执行的指令。示例系统提示（可直接放在HellGPT系统角色）：
“翻译任务：只翻译原文包含的信息，不得推断、补充或删减事实性内容。若遇缺失信息或多义，应保留原词或标注‘[不确定]’。输出要忠实、可核查，保持源语言信息等量映射。”
嗯，这里关键两点：一是把“不得推断”量化成动作（保留原词或标注），二是规定输出格式，便于后续自动检测。
三、模型与解码层面的技术措施（工程侧需要做的）
- 确定性解码：温度=0、top-k/top-p禁用或降到最低，使用束搜索。
- 约束解码（constrained decoding）：通过词表/短语约束，强制生成特定翻译或禁止生成不希望的表达。
- 覆盖与复制机制：在NMT/Transformer中使用copy机制，保证专有名词或未翻译词能从源文拷贝到目标文。
- 对齐信息输出：导出源词-译词对齐，使得可自动检测是否新增了额外语义。
- 长度与内容惩罚：对与源文信息量不匹配的输出给予惩罚，比如输出过多解释性内容则降低其分数。
自动核验方法（把“有没有新增信息”变成可测量）
不只是靠经验，要做成自动化：
- 回译检查（back-translation）：把译文再翻译回源语言，比较与原文差异。若回译引入了新事实或丢失重要信息，标记为可疑。
- 对齐一致性检测：用词级或片段级对齐，检查译文是否引用了源文之外的实体或属性。
- 置信度分数：为每个翻译单元输出置信度，低置信度片段自动浮现“请核对”的提示。
- 差异高亮：把译文中可能是“扩充内容”的句子用颜色标出，提示人工复核。
处理多义与信息缺失：不要强行“填空”
真遇到多义句子或背景不足，常见的三种策略：
- 保留原词：直接用原文写法或音译，避免添加假设。
- 标注不确定：在译文插入[不确定]或[可能]等显性标注，告诉读者需要核实。
- 提供选项翻译：列出可能译法并说明对应的原文含义条件，让用户选择。
就是这样，宁可交给人去决定，也不要让模型瞎补，读者会感激的。
示例：如何写出“不能添加信息”的系统提示和用户提示
下面是可复制粘贴的提示模板，改动小，效果大：
系统（System）提示示例
“翻译守则：严格忠实。不得在译文中增加原文未包含的事实、结论或背景。遇歧义或信息缺失，请保留原词或用方括号标注‘[不确定]’；若需给出多种可能译法，请列出并说明条件。输出要逐句对应原文并给出对齐信息。”
用户（User）提示示例
“请将以下英语文本翻译成中文，注意：只翻译原文信息，如需补充须标注‘[补充]’并说明来源。优先使用术语表内词汇。每句后请附上相应置信度（0-1）与回译检测结果。”
对比表：常见策略优缺点一览
| 策略 | 优点 | 缺点 |
| 低温度+束搜索 | 输出更确定、减少随机添加 | 可能显得生硬或不够本地化 |
| 术语白名单与强制词 | 保证专有名词和关键术语一致 | 需维护词表，对新词支持较弱 |
| 回译校验 | 自动发现信息增减问题 | 回译本身也有误差，需要阈值调整 |
实际操作中的小窍门与常见问题
- 别把“忠实”当成冷冰冰的直译：忠实是信息等量传递，可以用目标语言自然表达，但不能扩展事实。
- 当术语表与上下文冲突时优先用户指示：用户提供的术语表通常可信度更高。
- 回译阈值不是万能：回译差异需要配合对齐和人工抽样判断，避免误判。
- 保存审计日志：记录系统提示、模型配置、版本与对齐信息，以便追溯与纠错。
检查清单（上线前要通过的）
- 系统提示明确并固定在平台设置中。
- 采样温度、解码方式已调成保守配置。
- 术语表已上传并生效，强制词约束测试通过。
- 回译与对齐模块已联通，能输出差异报告。
- 低置信度与可能扩充内容会被高亮并交由人工复核。
示例场景演练（把方法落到实处）
举个例子：原文“Company X acquired stakes in startups.” 如果没有具体数字或对象，翻译成“X公司收购了初创公司的股份”就 OK；但切忌写成“X公司完全收购了多家初创公司并扩大了市场份额”，因为后半句是扩展出来的事实。遇不确定的“stakes”，可以写“股份[不确定具体比例]”或保留“stakes”。就是这样一步步把模型拉回原文边界。
为什么还需要人工参与
坦白讲，自动系统再好，面对复杂语境和高风险信息（法律、医学、合同）时，人工判断仍不可替代。机器负责把“增补信息”的概率降到最低，人工负责最后一道可信度把关。很多团队会采用抽样复核和重点句人工全检的结合策略，效率和安全性都比较均衡。
最后的随想（像边写边想的结尾）
嗯，说得有点长，但其实思路很简单：把“不添加信息”从一句道德要求变成“可执行的工程规范”——明确指令、降低随机性、强制约束、自动检测并结合人工复核。你会发现，一开始看似复杂的设置，一旦形成流程，日常使用就像开了个稳妥的模式，翻译既忠实又不失自然。可能会有小瑕疵，但那种真实感也挺好，修修就完了。