โมเดลภาษาขนาดใหญ่ (LLM) แบบใช้งานทั่วไปมีความสามารถในการแข่งขันกับบริการแปลภาษาที่ออกแบบมาโดยเฉพาะมากขึ้นเรื่อย ๆ ตัวอย่างที่น่าสนใจคือ การทดสอบเปรียบเทียบที่เผยแพร่บน GitHub ในเดือนกันยายน 2026: GPT-6 Luna, Gemma 4 และ DeepSeek V4 Flash ต่างทำคะแนนความผิดพลาดในการแปลได้ต่ำกว่า DeepL API และ Google Cloud Translation Basic
GPT-6 Luna ได้อันดับหนึ่ง ตามด้วยโมเดลภาษาแบบใช้งานทั่วไปอีกหลายตัว ผลลัพธ์บ่งชี้ว่าโมเดลที่พัฒนาขึ้นเพื่อรองรับงานหลากหลายประเภทก็สามารถแปลภาษาได้อย่างโดดเด่น โดยเฉพาะเมื่อบริบทของบทสนทนามีความสำคัญ
มีข้อแตกต่างสำคัญประการหนึ่งคือ การทดสอบนี้ประเมิน Google Cloud Translation Basic ไม่ใช่แอป Google Translate สำหรับผู้ใช้ทั่วไป ซึ่งได้เพิ่มความสามารถด้านการแปลที่ขับเคลื่อนด้วย Gemini เข้ามาแล้ว
การทดสอบนี้ประเมินอะไรบ้าง?
การทดสอบเปรียบเทียบการแปลบทสนทนาภาษาเกาหลีแบบหลายรอบโดยคำนึงถึงบริบท (Korean Multi-turn Context Translation Benchmark) เปรียบเทียบระบบแปลภาษา 15 ระบบ โดยประเมินความสามารถในการแปลบทสนทนาภาษาเกาหลีเป็นภาษาอังกฤษ ภาษาญี่ปุ่น และภาษาจีนตัวย่อ
ชุดข้อมูลประกอบด้วยตัวอย่างบทสนทนาภาษาเกาหลี 216 รายการ ทำให้แต่ละระบบสร้างคำแปลได้สูงสุด 648 รายการ
การทดสอบมุ่งเน้นประเด็นทางภาษาที่แปลได้ยากหากไม่มีบริบท ได้แก่
- ข้อมูลที่ละไว้: ภาษาเกาหลีมักละประธานและกรรมซึ่งเข้าใจได้จากประโยคก่อนหน้า
- การอ้างถึงที่กำกวม: คำและสำนวนอาจหมายถึงบุคคลหรือสิ่งของที่กล่าวถึงก่อนหน้านี้
- น้ำเสียงและระดับความสุภาพ: คำแปลต้องคำนึงถึงความเป็นทางการและความสัมพันธ์ระหว่างผู้พูด
- เจตนาในการสนทนา: คำตอบสั้น ๆ ความหมายโดยนัย และประโยคที่ไม่สมบูรณ์มักขึ้นอยู่กับข้อความก่อนหน้า
- บริบทที่ไม่เกี่ยวข้อง: ระบบแปลภาษาต้องรู้ด้วยว่าเมื่อใดควรละเว้นข้อมูลก่อนหน้า
ประเมินคุณภาพการแปลด้วยวิธีการที่อิงตาม GEMBA-MQM ผู้ประเมิน AI อัตโนมัติจะระบุข้อผิดพลาดและหักคะแนนตามระดับความรุนแรง
ค่าคะแนนความผิดพลาดเฉลี่ยที่ต่ำกว่าหมายถึงมีข้อผิดพลาดน้อยกว่าหรือมีข้อผิดพลาดที่รุนแรงน้อยกว่าตามเกณฑ์การประเมินนี้
ผลการทดสอบเปรียบเทียบการแปล
การเปรียบเทียบในเดือนกันยายน 2026 ได้ผลลัพธ์สำหรับระบบแปลข้อความที่คัดเลือกมาดังนี้
| ระบบแปลภาษา | คะแนนความผิดพลาดเฉลี่ย |
|---|---|
| GPT-6 Luna | 0.130 |
| Gemma 4 31B | 0.353 |
| Gemma 4 26B | 0.387 |
| DeepSeek V4 Flash | 0.571 |
| Gemma 4 12B QAT Q4 | 0.855 |
| Gemma 4 E4B fp16 | 1.353 |
| Papago Web | 2.699 |
| DeepL API | 3.914 |
| Google Cloud Translation Basic | 5.731 |
แหล่งที่มา: การเปรียบเทียบระบบ 15 ระบบแบบบูรณาการ เดือนกันยายน 2026 คะแนนยิ่งต่ำยิ่งดี DeepL มีผลประเมินที่ใช้ได้ 642 รายการ ส่วนระบบอื่น ๆ ที่แสดงมี 648 รายการ การเปรียบเทียบฉบับเต็มยังรวมระบบแปลเสียงด้วย ซึ่งละไว้ในที่นี้เพื่อให้เปรียบเทียบกันได้อย่างสอดคล้อง
GPT-6 Luna มีคะแนนความผิดพลาดเฉลี่ยต่ำที่สุดที่ 0.130 ตามด้วย Gemma 4 31B และ Gemma 4 26B ซึ่งได้คะแนน 0.353 และ 0.387 ตามลำดับ ส่วน DeepSeek V4 Flash ได้ 0.571
บริการแปลภาษาเชิงพาณิชย์ทำได้ไม่ดีเท่าในการทดสอบชุดข้อมูลนี้โดยเฉพาะ Papago ได้คะแนน 2.699, DeepL API ได้ 3.914 และ Google Cloud Translation Basic ได้ 5.731
ข้อค้นพบที่น่าสังเกตคือโมเดลขนาดค่อนข้างเล็กหลายตัวก็ทำได้ดีเช่นกัน ตัวอย่างเช่น Gemma 4 12B QAT Q4 มีคะแนนความผิดพลาดเฉลี่ย 0.855
ผลลัพธ์เหล่านี้น่าสนใจ เพราะ GPT-6 Luna, Gemma และ DeepSeek เป็นโมเดลภาษาแบบใช้งานทั่วไป ไม่ใช่ผลิตภัณฑ์แปลภาษาโดยเฉพาะ โมเดลเหล่านี้ออกแบบมาเพื่อรองรับงานหลากหลายประเภท ทั้งการเขียน การให้เหตุผล การเขียนโค้ด และการวิเคราะห์
อย่างไรก็ตาม การเปรียบเทียบนี้ไม่ได้เทียบกันแบบเดียวกันทุกประการ การตั้งค่า LLM สามารถใช้ข้อความจากรอบก่อน ๆ ของบทสนทนาได้ ขณะที่บริการแปลภาษาเชิงพาณิชย์ได้รับการประเมินโดยไม่มีประวัติบทสนทนาดังกล่าว ดังนั้น ผลลัพธ์จึงสะท้อนประสิทธิภาพของขั้นตอนการแปลที่นำมาทดสอบ ไม่ใช่เพียงสถาปัตยกรรมพื้นฐานของโมเดล
เหตุใดบริบทจึงสำคัญต่อการแปล
การแปลแต่ละประโยคได้อย่างแม่นยำไม่ได้รับประกันเสมอไปว่าจะรักษาความหมายที่ผู้พูดต้องการสื่อไว้ได้
ตัวอย่างเช่น ลองนึกถึงบทสนทนาภาษาเกาหลีที่มีคนพูดถึงการซื้อรองเท้าแตะและรองเท้าสวมในร้านค้า ในประโยคถัดมา พวกเขาอธิบายว่าสินค้าหมด จึงต้องจัดส่งให้ภายหลัง
ประโยคที่สองอาจละสิ่งของที่กำลังพูดถึงไว้ เพราะผู้ฟังเข้าใจได้จากบทสนทนาก่อนหน้าแล้ว
ระบบที่แปลเฉพาะประโยคนั้นอาจให้ผลลัพธ์ที่กำกวมได้ แต่โมเดลที่เข้าถึงข้อความก่อนหน้าจะสามารถระบุสิ่งที่ถูกละไว้ได้
ความท้าทายลักษณะเดียวกันนี้พบได้ในหลายภาษา
สำนวนและภาษาพูดอาจต้องอาศัยการตีความ ไม่ใช่การแปลตามตัวอักษร ระดับความสุภาพและความเป็นทางการอาจขึ้นอยู่กับความสัมพันธ์ระหว่างผู้พูด ส่วนคำตอบสั้น ๆ ก็อาจมีความหมายแตกต่างกันตามคำถามก่อนหน้า
LLM สามารถใช้ข้อมูลแวดล้อมเพื่อคลี่คลายความกำกวมเหล่านี้ได้ อีกทั้งยังทำตามคำสั่งเกี่ยวกับคำศัพท์เฉพาะ รูปแบบการเขียน และกลุ่มผู้อ่านที่ต้องการได้ด้วย
ความยืดหยุ่นนี้เป็นเหตุผลหนึ่งที่ทำให้โมเดลภาษาแบบใช้งานทั่วไปมีประโยชน์ต่อการแปลมากขึ้นเรื่อย ๆ
การเพิ่มบริบทและคำสั่งช่วยลดข้อผิดพลาดได้ 31.5%
การทดสอบนี้มีการทดลองแยกต่างหากเพื่อศึกษาว่าข้อมูลเพิ่มเติมส่งผลต่อคุณภาพการแปลอย่างไร
นักวิจัยทดสอบ Gemma 4 E4B QAT Q4 ในสองเงื่อนไข ได้แก่ การแปลประโยคเดี่ยว ๆ และการแปลโดยมีคำสั่งเพิ่มเติมพร้อมประวัติบทสนทนาทั้งหมด
| รูปแบบการตั้งค่า | คะแนนความผิดพลาดเฉลี่ย |
|---|---|
| เฉพาะประโยค | 2.118 |
| คำสั่ง + ประวัติบทสนทนา | 1.452 |
รูปแบบที่สองมี คะแนนความผิดพลาดเฉลี่ยต่ำลง 31.5%
จากการประเมินแบบจับคู่ 642 รายการ รูปแบบที่ใช้บริบทและคำสั่งช่วยให้คำแปลดีขึ้น 236 รายการ แย่ลง 134 รายการ และได้คะแนนเท่าเดิม 272 รายการ
พบว่าผลลัพธ์ดีขึ้นทั้งในกรณีที่จำเป็นต้องใช้บริบทก่อนหน้า และในกรณีที่โมเดลต้องพิจารณาว่าข้อมูลก่อนหน้าไม่เกี่ยวข้อง
ข้อจำกัดสำคัญคือการทดลองเปลี่ยนทั้งคำสั่งและประวัติบทสนทนา จึงวัดผลรวมของทั้งสองอย่าง แทนที่จะแยกวัดประโยชน์จากบริบทเพียงอย่างเดียว
ถึงอย่างนั้น ผลลัพธ์ก็แสดงให้เห็นว่าคุณภาพการแปลอาจเปลี่ยนแปลงได้อย่างมาก แม้จะใช้โมเดล AI ตัวเดิมก็ตาม
อ่านการทดลองเรื่องบริบทฉบับเต็ม
หมายความว่า LLM แปลภาษาได้ดีกว่าเสมอหรือไม่?
ไม่ใช่ การทดสอบนี้มุ่งเน้นการแปลประเภทหนึ่งโดยเฉพาะ นั่นคือบทสนทนาภาษาเกาหลีที่ต้องอาศัยความเข้าใจบริบท
ข้อค้นพบนี้ไม่ได้หมายความว่าจะใช้ได้กับทุกคู่ภาษา ทุกหัวข้อ หรือเอกสารทุกประเภท
การประเมินยังใช้ผู้ตัดสิน AI อัตโนมัติ แทนที่จะใช้ผู้แปลมืออาชีพ แม้ว่าวิธีนี้จะช่วยให้เปรียบเทียบในวงกว้างได้ แต่การตัดสินโดยระบบอัตโนมัติก็อาจมีอคติและอาจไม่ครอบคลุมคุณภาพการแปลทุกด้าน
อีกประเด็นที่ควรคำนึงถึงคือบริการแปลภาษาเชิงพาณิชย์กำลังพัฒนาอย่างต่อเนื่อง
DeepL พัฒนา LLM ที่เชี่ยวชาญด้านการแปล ของตนเอง ขณะที่ Google ได้นำ การปรับปรุง Google Translate ด้วย Gemini มาใช้แล้ว นอกจากนี้ Google Cloud ยังมีโมเดลแปลภาษาเฉพาะทางที่นอกเหนือจาก Basic API ซึ่งนำมาทดสอบในการประเมินครั้งนี้
กล่าวอีกอย่างคือ เส้นแบ่งระหว่าง LLM แบบใช้งานทั่วไปกับบริการแปลภาษาเฉพาะทางกำลังไม่ชัดเจนเท่าเดิม
โมเดลต่าง ๆ อาจทำได้ดีกว่าในคู่ภาษา หัวข้อทางเทคนิค หรืองานแปลบางประเภทที่แตกต่างกัน นอกจากนี้ ความแม่นยำไม่ใช่ปัจจัยเดียวที่ต้องพิจารณา ความเร็ว ค่าใช้จ่าย และความสม่ำเสมอก็อาจสำคัญไม่แพ้กัน ขึ้นอยู่กับลักษณะการใช้งาน
แทนที่จะชี้ว่าระบบแปลภาษาใดเหนือกว่าทุกระบบ การทดสอบนี้แสดงให้เห็นว่า LLM แบบใช้งานทั่วไปมีความสามารถในการแข่งขันสูงขึ้นมากเพียงใด
ความหมายต่อบริการแปลภาษาด้วย AI
เมื่อโมเดลแบบใช้งานทั่วไปพัฒนาขึ้น บริการแปลภาษาก็มีทางเลือกมากกว่าการพึ่งพาเอนจินแปลภาษาแบบกรรมสิทธิ์เพียงตัวเดียว
บริการอาจเปิดให้ใช้โมเดลจากผู้พัฒนาหลายราย แล้วเลือกหรือแนะนำตัวเลือกที่แตกต่างกันตามประเภทงาน
นี่คือแนวทางที่เราใช้กับ Lexibird
Lexibird เปิดให้เข้าถึงโมเดลภาษาหลากหลายจากผู้ให้บริการ AI หลายราย ผู้ใช้สามารถเลือกโมเดลเอง หรือใช้ตัวเลือกอัตโนมัติสำหรับงานแปลทั่วไปในชีวิตประจำวัน
เราประเมินโมเดลที่มีให้ใช้อย่างสม่ำเสมอ โดยพิจารณาสามด้านต่อไปนี้
- ความแม่นยำ: โมเดลรักษาความหมาย บริบท น้ำเสียง และคำศัพท์เฉพาะได้ดีเพียงใด
- ความเร็ว: สร้างคำแปลได้รวดเร็วเพียงใด โดยเฉพาะงานทั่วไปในชีวิตประจำวัน
- ค่าใช้จ่าย: การปรับปรุงคุณภาพคุ้มกับค่าใช้จ่ายในการประมวลผลที่เพิ่มขึ้นหรือไม่
ปัจจัยเหล่านี้มีข้อแลกเปลี่ยนกัน โมเดลที่มีความสามารถสูงกว่าอาจให้ผลลัพธ์ดีกับข้อความที่ยาก แต่ตอบช้ากว่าหรือมีค่าใช้จ่ายในการใช้งานสูงกว่า ส่วนโมเดลขนาดเล็กอาจเพียงพอสำหรับการแปลที่ไม่ซับซ้อน
เป้าหมายของเราคือพัฒนาตัวเลือกที่มีให้ใช้อย่างต่อเนื่องเมื่อมีโมเดลใหม่ ๆ ออกมา แทนที่จะคิดว่าโมเดลใดโมเดลหนึ่งจะเป็นตัวเลือกที่ดีที่สุดตลอดไป
Lexibird ยังรองรับอภิธานศัพท์การแปล การปรับแต่งน้ำเสียง และการแปลเอกสาร รูปภาพ และเสียง ฟีเจอร์เหล่านี้ช่วยให้ผู้ใช้ปรับคำแปลให้เหมาะกับข้อกำหนดเฉพาะได้
Lexibird ไม่ได้เข้าร่วมการประเมินในชุดทดสอบภาษาเกาหลีนี้ ดังนั้นจึงไม่ควรตีความคะแนนที่เผยแพร่ว่าเป็นผลวัดประสิทธิภาพการแปลของ Lexibird
โมเดลแปลภาษาที่ดีที่สุดอาจไม่ได้ดีที่สุดไปอีกนาน
ข้อค้นพบที่น่าสนใจที่สุดจากการทดสอบนี้อาจไม่ใช่ผลที่ GPT-6 Luna ได้อันดับหนึ่ง แต่เป็นความสามารถที่โดดเด่นของโมเดลภาษาแบบใช้งานทั่วไปหลายตัวเมื่อเทียบกับบริการแปลภาษาเฉพาะทาง
ผลลัพธ์แสดงให้เห็นว่าการแปลด้วยเครื่องเปลี่ยนแปลงไปมากเพียงใด ปัจจุบันโมเดลที่พัฒนาขึ้นเพื่อทำความเข้าใจภาษาทั่วไปสามารถจัดการงานแปลที่ต้องตีความบริบท กู้คืนข้อมูลที่ถูกละไว้ และรักษาเจตนาในการสนทนาได้แล้ว
ขณะเดียวกัน ประสิทธิภาพของโมเดลแต่ละตัวก็เปลี่ยนแปลงได้อย่างรวดเร็ว รุ่นใหม่ ๆ อาจช่วยปรับปรุงคุณภาพการแปล ลดเวลาตอบสนอง หรือลดค่าใช้จ่าย
สำหรับบริการแปลภาษาและผู้ใช้ นี่แสดงให้เห็นว่าความยืดหยุ่นอาจมีค่ามากกว่าการยึดติดกับโมเดลแปลภาษาเพียงตัวเดียว
การทดสอบนี้เป็นภาพรวมที่มีประโยชน์ของสถานการณ์การแปลด้วย AI ในปี 2026 แต่การแข่งขันในวงกว้างระหว่างโมเดลแบบใช้งานทั่วไปกับโมเดลแปลภาษาเฉพาะทางยังไม่ยุติ
