亚马逊云计算人工智能实验室的研究人员发现，网络上大量内容来自机器翻译生成，这些跨越多种语言的翻译内容质量普遍较低。研究团队强调，这凸显了在训练大型语言模型时，数据质量和来源考量的重要性。
研究还发现，机器生成内容在资源较少语言的翻译中很普遍，并占网络内容的很大一部分。
研究团队开发了名为多维cc矩阵的庞大资源，以更好地理解机器翻译内容的特征。该资源包含90种语言中64亿个独特的句子，并包括翻译元组，即相互翻译的一组句子。
这项研究发现大量网络内容通常被翻译成多种语言，主要通过机器翻译完成。这种内容不仅在资源较少语言的翻译中普遍存在，而且在这些语言的所有网络内容中也占很大一部分。
研究人员还注意到，出于广告收入等目的，被翻译成多种语言的内容存在选择性偏差。
机器翻译技术在过去十年里取得了显著进步，但仍达不到人类质量水平。多年来，使用当时可用的机器翻译系统将机器翻译内容添加到网络上，因此网络上大部分机器翻译内容按照现代标准可能质量很低。这可能会导致LLM模型产生更多‘幻觉’，而选择偏差表明即使不考虑机器翻译错误，数据质量也可能较低。数据质量对于LLM训练至关重要，其中高质量的语料库，如书籍和维基百科文章，通常会进行多次向上采样。
