{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5320989"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5320989","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ancient Greek to Modern Greek Machine Translation: A novel benchmark and fine-tuning experiments on LLMs and NMT models","abstract":"Η μηχανική μετάφραση από την αρχαία ελληνική στη νέα ελληνική γλώσσα είναι μια εργασία περιοριζόμενη από την έλλειψη παράλληλων δεδομένων μεγάλης κλίμακας και υψηλής ποιότητας. Αντιμετωπίζουμε αυτό το κενό εισάγοντας το AG-MG Parallel Corpus, ένα νέο σώμα κειμένων που περιέχει 132.481 ζεύγη ευθυγραμμισμένων προτάσεων που προέρχονται από λογοτεχνικά, ιστορικά και βιβλικά κείμενα. Παρουσιάζουμε μια καινοτόμο διαδικασία δημιουργίας σώματος κειμένων που συνδυάζει δεδομένα σε επίπεδο αποσπασμάτων που έχουν συλλεχθεί από τον ιστό με μια διαδικασία ευθυγράμμισης σε επίπεδο προτάσεων σε πολλαπλά στάδια και μια διαδικασία βελτίωσης. Η μέθοδος μας χρησιμοποιεί το VecAlign με τα LaBSE embeddings, τα οποία βελτιστοποιούμε (fine-tuning) με ένα υποσύνολο αρχαίων ελληνικών-νέων ελληνικών δεδομένων που έχει ευθυγραμμιστεί χειροκίνητα και στη συνέχεια ακολουθεί μία φάση διόρθωσης σφαλμάτων/εσφαλμένων ευθυγράμμισεων χρησιμοποιώντας το Μεγάλο Γλωσσικό Μοντέλο Gemini 2.5 Flash για να εξασφαλίσουμε υψηλή ποιότητα ευθυγράμμισης. Επιπλέον, παρέχουμε το πρώτο ολοκληρωμένο σημείο αναφοράς των σύγχρονων μοντέλων μηχανικής μετάφρασης σε αυτόν τον τομέα, αξιολογώντας 14 διαφορετικά fine-tuning setups σε σύγχρονα μοντέλα NMT (NLLB, M2M100) και Μεγάλα Γλωσσικά Μοντέλα (Llama-Krikri-8B, Gemma 3). Τα πειράματά μας δείχνουν ότι η πλήρης βελτιστοποίηση (full fine-tuning) του M2M100-1.2B επιτυγχάνει την υψηλότερη απόδοση σε επίπεδο πρότασης (67,15 BLEU). Μεταξύ των LLMs, το πολυγλωσσικό μοντέλο Gemma-3-4B-it με χρήση LoRA επιτυγχάνει 62,14 BLEU, ξεπερνώντας μεγαλύτερα μοντέλα NMT, ενώ το ελληνικό μοντέλο Krikri-8B-Instruct παρουσιάζει επίσης πολύ ανταγωνιστικά αποτελέσματα και επιδεικνύει ανώτερη ανθεκτικότητα σε σπάνιες διαλέκτους. Το σύνολο δεδομένων και τα μοντέλα μας αποτελούν σημαντική συμβολή στον ελληνικό κλάδο της Επεξεργασίας Φυσικής Γλώσσας.","abstract_html":"Η μηχανική μετάφραση από την αρχαία ελληνική στη νέα ελληνική γλώσσα είναι μια εργασία περιοριζόμενη από την έλλειψη παράλληλων δεδομένων μεγάλης κλίμακας και υψηλής ποιότητας. Αντιμετωπίζουμε αυτό το κενό εισάγοντας το AG-MG Parallel Corpus, ένα νέο σώμα κειμένων που περιέχει 132.481 ζεύγη ευθυγραμμισμένων προτάσεων που προέρχονται από λογοτεχνικά, ιστορικά και βιβλικά κείμενα. Παρουσιάζουμε μια καινοτόμο διαδικασία δημιουργίας σώματος κειμένων που συνδυάζει δεδομένα σε επίπεδο αποσπασμάτων που έχουν συλλεχθεί από τον ιστό με μια διαδικασία ευθυγράμμισης σε επίπεδο προτάσεων σε πολλαπλά στάδια και μια διαδικασία βελτίωσης. Η μέθοδος μας χρησιμοποιεί το VecAlign με τα LaBSE embeddings, τα οποία βελτιστοποιούμε (fine-tuning) με ένα υποσύνολο αρχαίων ελληνικών-νέων ελληνικών δεδομένων που έχει ευθυγραμμιστεί χειροκίνητα και στη συνέχεια ακολουθεί μία φάση διόρθωσης σφαλμάτων/εσφαλμένων ευθυγράμμισεων χρησιμοποιώντας το Μεγάλο Γλωσσικό Μοντέλο Gemini 2.5 Flash για να εξασφαλίσουμε υψηλή ποιότητα ευθυγράμμισης. Επιπλέον, παρέχουμε το πρώτο ολοκληρωμένο σημείο αναφοράς των σύγχρονων μοντέλων μηχανικής μετάφρασης σε αυτόν τον τομέα, αξιολογώντας 14 διαφορετικά fine-tuning setups σε σύγχρονα μοντέλα NMT (NLLB, M2M100) και Μεγάλα Γλωσσικά Μοντέλα (Llama-Krikri-8B, Gemma 3). Τα πειράματά μας δείχνουν ότι η πλήρης βελτιστοποίηση (full fine-tuning) του M2M100-1.2B επιτυγχάνει την υψηλότερη απόδοση σε επίπεδο πρότασης (67,15 BLEU). Μεταξύ των LLMs, το πολυγλωσσικό μοντέλο Gemma-3-4B-it με χρήση LoRA επιτυγχάνει 62,14 BLEU, ξεπερνώντας μεγαλύτερα μοντέλα NMT, ενώ το ελληνικό μοντέλο Krikri-8B-Instruct παρουσιάζει επίσης πολύ ανταγωνιστικά αποτελέσματα και επιδεικνύει ανώτερη ανθεκτικότητα σε σπάνιες διαλέκτους. Το σύνολο δεδομένων και τα μοντέλα μας αποτελούν σημαντική συμβολή στον ελληνικό κλάδο της Επεξεργασίας Φυσικής Γλώσσας.","abstract_has_math":false,"creators":["Μαυρομάτης Σπυρίδων","Mavromatis Spyridon"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T06:41:33Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5320989"],"render_values":[{"text":"uoadl:5320989","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5320989","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5320989","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5320989","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαυρομάτης Σπυρίδων","Mavromatis Spyridon"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5320989","https://pergamos.lib.uoa.gr/uoa/dl/object/5320989"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η μηχανική μετάφραση από την αρχαία ελληνική στη νέα ελληνική γλώσσα είναι μια εργασία περιοριζόμενη από την έλλειψη παράλληλων δεδομένων μεγάλης κλίμακας και υψηλής ποιότητας. Αντιμετωπίζουμε αυτό το κενό εισάγοντας το AG-MG Parallel Corpus, ένα νέο σώμα κειμένων που περιέχει 132.481 ζεύγη ευθυγραμμισμένων προτάσεων που προέρχονται από λογοτεχνικά, ιστορικά και βιβλικά κείμενα. Παρουσιάζουμε μια καινοτόμο διαδικασία δημιουργίας σώματος κειμένων που συνδυάζει δεδομένα σε επίπεδο αποσπασμάτων που έχουν συλλεχθεί από τον ιστό με μια διαδικασία ευθυγράμμισης σε επίπεδο προτάσεων σε πολλαπλά στάδια και μια διαδικασία βελτίωσης. Η μέθοδος μας χρησιμοποιεί το VecAlign με τα LaBSE embeddings, τα οποία βελτιστοποιούμε (fine-tuning) με ένα υποσύνολο αρχαίων ελληνικών-νέων ελληνικών δεδομένων που έχει ευθυγραμμιστεί χειροκίνητα και στη συνέχεια ακολουθεί μία φάση διόρθωσης σφαλμάτων/εσφαλμένων ευθυγράμμισεων χρησιμοποιώντας το Μεγάλο Γλωσσικό Μοντέλο Gemini 2.5 Flash για να εξασφαλίσουμε υψηλή ποιότητα ευθυγράμμισης. Επιπλέον, παρέχουμε το πρώτο ολοκληρωμένο σημείο αναφοράς των σύγχρονων μοντέλων μηχανικής μετάφρασης σε αυτόν τον τομέα, αξιολογώντας 14 διαφορετικά fine-tuning setups σε σύγχρονα μοντέλα NMT (NLLB, M2M100) και Μεγάλα Γλωσσικά Μοντέλα (Llama-Krikri-8B, Gemma 3). Τα πειράματά μας δείχνουν ότι η πλήρης βελτιστοποίηση (full fine-tuning) του M2M100-1.2B επιτυγχάνει την υψηλότερη απόδοση σε επίπεδο πρότασης (67,15 BLEU). Μεταξύ των LLMs, το πολυγλωσσικό μοντέλο Gemma-3-4B-it με χρήση LoRA επιτυγχάνει 62,14 BLEU, ξεπερνώντας μεγαλύτερα μοντέλα NMT, ενώ το ελληνικό μοντέλο Krikri-8B-Instruct παρουσιάζει επίσης πολύ ανταγωνιστικά αποτελέσματα και επιδεικνύει ανώτερη ανθεκτικότητα σε σπάνιες διαλέκτους. Το σύνολο δεδομένων και τα μοντέλα μας αποτελούν σημαντική συμβολή στον ελληνικό κλάδο της Επεξεργασίας Φυσικής Γλώσσας.","Machine Translation (MT) for Ancient Greek (AG) to Modern Greek (MG) is a low-resource task, constrained by the lack of large-scale, high-quality parallel data. We address this gap by introducing the AG-MG Parallel Corpus, a new resource containing 132,481 sentence-aligned pairs derived from literary, historical, and biblical texts. We present a novel corpus creation pipeline that combines web-scraped, excerpt-level data with a multi-stage sentence-level alignment, and refinement process. Our method uses VecAlign with LaBSE embeddings, which we first fine-tune on a manually-aligned AG-MG subset, followed by an LLM-based error/misalignment correction phase using Gemini 2.5 Flash to ensure high alignment quality. Furthermore, we provide the first comprehensive benchmark of modern MT models on this task, evaluating 14 distinct fine-tuning setups across modern NMT architectures (NLLB, M2M100) and Large Language Models (Llama-Krikri-8B, Gemma 3). Our experiments demonstrate that full-parameter fine-tuning of M2M100-1.2B achieves the highest sentence-level performance (67.15 BLEU). Among LLMs, the multilingual Gemma-3-4B-it model fine-tuned with LoRA achieves 62.14 BLEU, surpassing larger NMT baselines, while the Greek-centric Krikri-8B-Instruct model also demonstrates highly competitive results and exhibits superior robustness on rare dialects. Our dataset and models represent a significant contribution to Greek NLP."]},{"key":"dc:title","label":"Title","values":["Ancient Greek to Modern Greek Machine Translation: A novel benchmark and fine-tuning experiments on LLMs and NMT models"]}]}],"canonical_facts":{"dc:creator":["Μαυρομάτης Σπυρίδων","Mavromatis Spyridon"],"dc:date":["2026"],"dc:description":["Η μηχανική μετάφραση από την αρχαία ελληνική στη νέα ελληνική γλώσσα είναι μια εργασία περιοριζόμενη από την έλλειψη παράλληλων δεδομένων μεγάλης κλίμακας και υψηλής ποιότητας. Αντιμετωπίζουμε αυτό το κενό εισάγοντας το AG-MG Parallel Corpus, ένα νέο σώμα κειμένων που περιέχει 132.481 ζεύγη ευθυγραμμισμένων προτάσεων που προέρχονται από λογοτεχνικά, ιστορικά και βιβλικά κείμενα. Παρουσιάζουμε μια καινοτόμο διαδικασία δημιουργίας σώματος κειμένων που συνδυάζει δεδομένα σε επίπεδο αποσπασμάτων που έχουν συλλεχθεί από τον ιστό με μια διαδικασία ευθυγράμμισης σε επίπεδο προτάσεων σε πολλαπλά στάδια και μια διαδικασία βελτίωσης. Η μέθοδος μας χρησιμοποιεί το VecAlign με τα LaBSE embeddings, τα οποία βελτιστοποιούμε (fine-tuning) με ένα υποσύνολο αρχαίων ελληνικών-νέων ελληνικών δεδομένων που έχει ευθυγραμμιστεί χειροκίνητα και στη συνέχεια ακολουθεί μία φάση διόρθωσης σφαλμάτων/εσφαλμένων ευθυγράμμισεων χρησιμοποιώντας το Μεγάλο Γλωσσικό Μοντέλο Gemini 2.5 Flash για να εξασφαλίσουμε υψηλή ποιότητα ευθυγράμμισης. Επιπλέον, παρέχουμε το πρώτο ολοκληρωμένο σημείο αναφοράς των σύγχρονων μοντέλων μηχανικής μετάφρασης σε αυτόν τον τομέα, αξιολογώντας 14 διαφορετικά fine-tuning setups σε σύγχρονα μοντέλα NMT (NLLB, M2M100) και Μεγάλα Γλωσσικά Μοντέλα (Llama-Krikri-8B, Gemma 3). Τα πειράματά μας δείχνουν ότι η πλήρης βελτιστοποίηση (full fine-tuning) του M2M100-1.2B επιτυγχάνει την υψηλότερη απόδοση σε επίπεδο πρότασης (67,15 BLEU). Μεταξύ των LLMs, το πολυγλωσσικό μοντέλο Gemma-3-4B-it με χρήση LoRA επιτυγχάνει 62,14 BLEU, ξεπερνώντας μεγαλύτερα μοντέλα NMT, ενώ το ελληνικό μοντέλο Krikri-8B-Instruct παρουσιάζει επίσης πολύ ανταγωνιστικά αποτελέσματα και επιδεικνύει ανώτερη ανθεκτικότητα σε σπάνιες διαλέκτους. Το σύνολο δεδομένων και τα μοντέλα μας αποτελούν σημαντική συμβολή στον ελληνικό κλάδο της Επεξεργασίας Φυσικής Γλώσσας.","Machine Translation (MT) for Ancient Greek (AG) to Modern Greek (MG) is a low-resource task, constrained by the lack of large-scale, high-quality parallel data. We address this gap by introducing the AG-MG Parallel Corpus, a new resource containing 132,481 sentence-aligned pairs derived from literary, historical, and biblical texts. We present a novel corpus creation pipeline that combines web-scraped, excerpt-level data with a multi-stage sentence-level alignment, and refinement process. Our method uses VecAlign with LaBSE embeddings, which we first fine-tune on a manually-aligned AG-MG subset, followed by an LLM-based error/misalignment correction phase using Gemini 2.5 Flash to ensure high alignment quality. Furthermore, we provide the first comprehensive benchmark of modern MT models on this task, evaluating 14 distinct fine-tuning setups across modern NMT architectures (NLLB, M2M100) and Large Language Models (Llama-Krikri-8B, Gemma 3). Our experiments demonstrate that full-parameter fine-tuning of M2M100-1.2B achieves the highest sentence-level performance (67.15 BLEU). Among LLMs, the multilingual Gemma-3-4B-it model fine-tuned with LoRA achieves 62.14 BLEU, surpassing larger NMT baselines, while the Greek-centric Krikri-8B-Instruct model also demonstrates highly competitive results and exhibits superior robustness on rare dialects. Our dataset and models represent a significant contribution to Greek NLP."],"dc:identifier":["uoadl:5320989","https://pergamos.lib.uoa.gr/uoa/dl/object/5320989"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ancient Greek to Modern Greek Machine Translation: A novel benchmark and fine-tuning experiments on LLMs and NMT models"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:41:33Z"}