Các mô hình ngôn ngữ lớn đa dụng (LLM) ngày càng cạnh tranh với những dịch vụ dịch máy chuyên dụng. Một bài đánh giá chuẩn được công bố trên GitHub vào tháng 9 năm 2026 đưa ra một ví dụ đáng chú ý: GPT-6 Luna, Gemma 4 và DeepSeek V4 Flash đều đạt điểm lỗi dịch thấp hơn DeepL API và Google Cloud Translation Basic.
GPT-6 Luna đứng đầu, tiếp theo là một số mô hình ngôn ngữ đa dụng khác. Kết quả cho thấy các mô hình được phát triển để xử lý nhiều loại tác vụ cũng có thể dịch rất tốt, đặc biệt khi ngữ cảnh hội thoại đóng vai trò quan trọng.
Có một điểm khác biệt quan trọng: bài đánh giá kiểm thử Google Cloud Translation Basic, chứ không phải ứng dụng Google Translate dành cho người tiêu dùng — ứng dụng này đã tích hợp thêm các khả năng dịch thuật được hỗ trợ bởi Gemini.
Bài đánh giá đã kiểm thử những gì?
Bài đánh giá chuẩn dịch hội thoại tiếng Hàn nhiều lượt có xét ngữ cảnh so sánh 15 hệ thống dịch về khả năng dịch hội thoại tiếng Hàn sang tiếng Anh, tiếng Nhật và tiếng Trung giản thể.
Tập dữ liệu gồm 216 ví dụ hội thoại tiếng Hàn, tạo ra tối đa 648 bản dịch cho mỗi hệ thống.
Các bài kiểm thử tập trung vào những khía cạnh ngôn ngữ khó dịch nếu thiếu ngữ cảnh:
- Thông tin bị lược bỏ: Tiếng Hàn thường lược bỏ chủ ngữ và tân ngữ khi có thể hiểu được từ các câu trước.
- Tham chiếu mơ hồ: Từ ngữ và cách diễn đạt có thể chỉ người hoặc vật được nhắc đến trước đó.
- Sắc thái và mức độ lịch sự: Bản dịch cần thể hiện mức độ trang trọng và mối quan hệ giữa những người nói.
- Ý định trong hội thoại: Những câu trả lời ngắn, ý hàm ẩn và câu chưa hoàn chỉnh thường phụ thuộc vào các tin nhắn trước đó.
- Ngữ cảnh không liên quan: Hệ thống dịch cũng cần nhận ra khi nào nên bỏ qua thông tin trước đó.
Chất lượng dịch được đánh giá bằng phương pháp dựa trên GEMBA-MQM. Một bộ đánh giá AI tự động xác định lỗi và áp mức phạt tùy theo mức độ nghiêm trọng.
Điểm phạt trung bình càng thấp đồng nghĩa với việc có ít lỗi hơn hoặc lỗi ít nghiêm trọng hơn theo phương pháp đánh giá này.
Kết quả đánh giá chuẩn dịch thuật
Bảng so sánh tháng 9 năm 2026 ghi nhận kết quả sau đây cho một số hệ thống xử lý văn bản:
| Hệ thống dịch | Điểm phạt lỗi trung bình |
|---|---|
| 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 |
Nguồn: So sánh tích hợp 15 hệ thống, tháng 9 năm 2026. Điểm càng thấp càng tốt. DeepL có 642 lượt đánh giá hợp lệ; các hệ thống còn lại được liệt kê có 648 lượt. Bản so sánh đầy đủ cũng bao gồm các hệ thống dịch lời nói, nhưng không nêu ở đây để đảm bảo tính nhất quán.
GPT-6 Luna có điểm phạt lỗi trung bình thấp nhất, ở mức 0.130. Gemma 4 31B và Gemma 4 26B lần lượt đứng sau với điểm 0.353 và 0.387, còn DeepSeek V4 Flash đạt 0.571.
Các dịch vụ dịch thuật thương mại hoạt động kém hơn trên tập dữ liệu cụ thể này. Papago đạt 2.699, DeepL API đạt 3.914 và Google Cloud Translation Basic đạt 5.731.
Một phát hiện đáng chú ý là một số mô hình tương đối nhỏ cũng hoạt động tốt. Chẳng hạn, Gemma 4 12B QAT Q4 đạt điểm phạt trung bình 0.855.
Các kết quả này đáng quan tâm vì GPT-6 Luna, Gemma và DeepSeek là những mô hình ngôn ngữ đa dụng, chứ không phải sản phẩm chuyên biệt về dịch thuật. Chúng được thiết kế để xử lý nhiều tác vụ khác nhau, bao gồm viết lách, suy luận, lập trình và phân tích.
Tuy nhiên, phép so sánh này không hoàn toàn tương đồng giữa các bên. Các cấu hình LLM có thể sử dụng những lượt hội thoại trước đó, trong khi các dịch vụ dịch thuật thương mại được đánh giá mà không có phần lịch sử này. Vì vậy, kết quả phản ánh hiệu suất của các quy trình dịch được kiểm thử, chứ không chỉ đơn thuần là kiến trúc của các mô hình nền tảng.
Vì sao ngữ cảnh quan trọng khi dịch?
Dịch chính xác từng câu riêng lẻ không phải lúc nào cũng đảm bảo giữ được ý định ban đầu.
Ví dụ, hãy hình dung một cuộc hội thoại bằng tiếng Hàn, trong đó có người kể rằng họ đã mua dép xăng-đan và dép lê ở cửa hàng. Ở câu tiếp theo, họ giải thích rằng những món đồ đó đã hết hàng và phải giao sau.
Câu thứ hai có thể lược bỏ các đồ vật đang được nói đến vì chúng đã rõ từ mạch hội thoại.
Một hệ thống chỉ dịch riêng câu đó có thể tạo ra kết quả mơ hồ. Mô hình được tiếp cận tin nhắn trước đó có thể xác định các đối tượng được nhắc đến nhưng không nói rõ.
Những thách thức tương tự xuất hiện trong nhiều ngôn ngữ.
Thành ngữ và cách diễn đạt thân mật có thể cần được diễn giải thay vì dịch sát nghĩa. Mức độ lịch sự và trang trọng có thể phụ thuộc vào mối quan hệ giữa người nói. Một câu trả lời ngắn có thể mang ý nghĩa khác nhau tùy vào câu hỏi trước đó.
LLM có thể tận dụng thông tin xung quanh để làm rõ những điểm mơ hồ này. Chúng cũng có thể làm theo chỉ dẫn về thuật ngữ, văn phong và đối tượng độc giả.
Tính linh hoạt này là một trong những lý do khiến các mô hình ngôn ngữ đa dụng ngày càng hữu ích cho công việc dịch thuật.
Bổ sung ngữ cảnh và chỉ dẫn giúp giảm lỗi 31,5%
Bài đánh giá có một thử nghiệm riêng để xem xét ảnh hưởng của thông tin bổ sung đến chất lượng dịch.
Các nhà nghiên cứu kiểm thử Gemma 4 E4B QAT Q4 trong hai điều kiện: dịch một câu riêng lẻ và dịch câu đó kèm chỉ dẫn bổ sung cùng toàn bộ lịch sử hội thoại.
| Cấu hình | Điểm phạt lỗi trung bình |
|---|---|
| Chỉ có câu cần dịch | 2.118 |
| Chỉ dẫn + lịch sử hội thoại | 1.452 |
Cấu hình thứ hai đạt điểm phạt lỗi trung bình thấp hơn 31,5%.
Trong 642 lượt đánh giá theo cặp, cấu hình có ngữ cảnh và chỉ dẫn giúp cải thiện 236 bản dịch, khiến 134 bản dịch kém đi và cho điểm tương đương ở 272 trường hợp.
Mức cải thiện được ghi nhận cả khi cần đến ngữ cảnh trước đó lẫn khi mô hình phải nhận ra thông tin trước đó không liên quan.
Một hạn chế quan trọng là thử nghiệm đã thay đổi cả phần chỉ dẫn lẫn lịch sử hội thoại. Do đó, thử nghiệm đo lường tác động kết hợp của cả hai yếu tố, chứ không tách riêng lợi ích chỉ đến từ ngữ cảnh.
Dù vậy, kết quả cho thấy chất lượng dịch có thể thay đổi đáng kể ngay cả khi mô hình AI nền tảng không đổi.
Đọc toàn bộ thử nghiệm về ngữ cảnh.
Điều này có nghĩa LLM luôn dịch tốt hơn không?
Không. Bài đánh giá tập trung vào một loại hình dịch thuật cụ thể: dịch hội thoại tiếng Hàn đòi hỏi khả năng hiểu ngữ cảnh.
Những phát hiện này không nhất thiết áp dụng cho mọi cặp ngôn ngữ, chủ đề hoặc loại tài liệu.
Việc đánh giá cũng sử dụng giám khảo AI tự động thay vì dịch giả chuyên nghiệp. Dù cách này giúp việc so sánh ở quy mô lớn trở nên thiết thực, đánh giá tự động có thể tạo ra thiên lệch và chưa chắc nắm bắt được mọi khía cạnh của chất lượng dịch.
Một điểm khác cần cân nhắc là các dịch vụ dịch thuật thương mại vẫn đang phát triển.
DeepL đã phát triển các LLM chuyên biệt cho dịch thuật, còn Google đã giới thiệu các cải tiến cho Google Translate được hỗ trợ bởi Gemini. Google Cloud cũng cung cấp các mô hình dịch thuật chuyên dụng ngoài API Basic được kiểm thử trong bài đánh giá này.
Nói cách khác, ranh giới giữa LLM đa dụng và dịch vụ dịch thuật chuyên biệt đang ngày càng mờ nhạt.
Các mô hình khác nhau có thể hoạt động tốt hơn với những cặp ngôn ngữ, chủ đề chuyên ngành hoặc tác vụ dịch khác nhau. Độ chính xác cũng chỉ là một trong những yếu tố cần cân nhắc: tùy vào trường hợp sử dụng, tốc độ, chi phí và tính nhất quán có thể quan trọng không kém.
Thay vì xác định một hệ thống dịch thuật vượt trội trong mọi trường hợp, bài đánh giá cho thấy LLM đa dụng đã trở nên cạnh tranh đến mức nào.
Điều này có ý nghĩa gì đối với dịch vụ dịch thuật AI?
Khi các mô hình đa dụng được cải thiện, dịch vụ dịch thuật có thêm nhiều lựa chọn thay vì chỉ dựa vào một công cụ dịch độc quyền duy nhất.
Thay vào đó, một dịch vụ có thể cung cấp quyền truy cập vào các mô hình từ nhiều nhà phát triển, rồi chọn hoặc đề xuất những lựa chọn khác nhau tùy theo tác vụ.
Đây là cách chúng tôi triển khai tại Lexibird.
Lexibird cung cấp quyền truy cập vào nhiều mô hình ngôn ngữ từ các nhà cung cấp AI khác nhau. Người dùng có thể tự chọn mô hình hoặc sử dụng tùy chọn tự động cho các nhu cầu dịch thuật hằng ngày.
Chúng tôi thường xuyên đánh giá các mô hình hiện có dựa trên ba yếu tố:
- Độ chính xác: Mô hình giữ được ý nghĩa, ngữ cảnh, sắc thái và thuật ngữ tốt đến mức nào.
- Tốc độ: Mô hình tạo bản dịch nhanh đến đâu, đặc biệt với các tác vụ hằng ngày.
- Chi phí: Mức cải thiện về chất lượng có xứng đáng với chi phí xử lý phát sinh hay không.
Các yếu tố này đòi hỏi phải có sự đánh đổi. Một mô hình mạnh hơn có thể cho kết quả tốt hơn với văn bản khó, nhưng phản hồi chậm hơn hoặc tốn kém hơn khi vận hành. Một mô hình nhỏ hơn có thể đã đủ dùng cho những bản dịch đơn giản.
Mục tiêu của chúng tôi là tiếp tục cải thiện các lựa chọn sẵn có khi có mô hình mới xuất hiện, thay vì cho rằng một mô hình sẽ mãi là lựa chọn tốt nhất.
Lexibird cũng hỗ trợ bảng thuật ngữ dịch, tùy chỉnh sắc thái và dịch tài liệu, hình ảnh cũng như âm thanh. Những tính năng này giúp người dùng điều chỉnh bản dịch theo nhu cầu cụ thể.
Bản thân Lexibird không được đánh giá trong bài kiểm chuẩn tiếng Hàn, vì vậy không nên xem các điểm số đã công bố là số liệu đo lường hiệu suất dịch thuật của Lexibird.
Mô hình dịch tốt nhất có thể không giữ vị trí đó lâu
Phát hiện thú vị nhất từ bài đánh giá này chưa chắc là kết quả đứng đầu của GPT-6 Luna. Đáng chú ý hơn là hiệu suất mạnh mẽ của một số mô hình ngôn ngữ đa dụng khi so với các dịch vụ dịch thuật chuyên biệt.
Kết quả cho thấy dịch máy đã thay đổi nhiều đến mức nào. Các mô hình được phát triển để hiểu ngôn ngữ nói chung giờ đây có thể xử lý những tác vụ dịch đòi hỏi diễn giải ngữ cảnh, khôi phục thông tin bị lược bỏ và giữ nguyên ý định hội thoại.
Đồng thời, hiệu suất tương đối giữa các mô hình có thể thay đổi nhanh chóng. Các phiên bản mới có thể cải thiện chất lượng dịch, rút ngắn thời gian phản hồi hoặc giảm chi phí.
Đối với các dịch vụ dịch thuật và người dùng, điều này cho thấy sự linh hoạt có thể giá trị hơn việc gắn bó với một mô hình dịch duy nhất.
Bài đánh giá cung cấp một lát cắt hữu ích về tình hình dịch thuật AI năm 2026, nhưng cuộc cạnh tranh rộng hơn giữa các mô hình đa dụng và mô hình dịch thuật chuyên biệt vẫn còn lâu mới ngã ngũ.
