通用大语言模型（LLM）正日益展现出与专业机器翻译服务相抗衡的实力。一个有趣的例子是2026年9月发布在 GitHub 上的基准测试：GPT-6 Luna、Gemma 4 和 DeepSeek V4 Flash 的翻译错误分数均低于 DeepL API 和 Google Cloud Translation Basic。
GPT-6 Luna 位居第一，随后是其他几款通用语言模型。结果表明，为广泛任务而开发的模型也能出色地完成翻译，尤其是在对话上下文至关重要时。
有一点需要特别说明：该基准测试评估的是 Google Cloud Translation Basic，而非面向消费者的 Google 翻译应用；后者已加入由 Gemini 驱动的额外翻译功能。
基准测试评估了什么？
《韩语多轮上下文翻译基准测试》对 15 种翻译系统进行了比较，评估它们将对话韩语翻译成英语、日语和简体中文的能力。
数据集包含 216 条韩语对话示例，每个系统最多可生成 648 条译文。
测试重点关注了若缺少上下文便难以翻译的语言现象：
- 省略信息： 韩语常常省略主语和宾语，而这些信息可以从前文中推知。
- 指代歧义： 某些词语和表达可能指向前文提到的人或物。
- 语气和礼貌程度： 翻译需要考虑正式程度以及说话者之间的关系。
- 对话意图： 简短回复、言外之意和不完整句子往往取决于前面的消息。
- 无关上下文： 翻译系统还必须判断何时应忽略先前的信息。
翻译质量采用基于 GEMBA-MQM 的方法进行评估。自动化 AI 评估器会识别错误，并根据错误严重程度进行扣分。
平均扣分越低，表示在此评估中错误越少或越轻微。
翻译基准测试结果
2026 年 9 月的对比测试中，部分文本翻译系统的结果如下：
| 翻译系统 | 平均错误扣分 |
|---|---|
| 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 |
来源：15 系统综合比较，2026 年 9 月。分数越低越好。DeepL 有 642 条有效评估；表中其他系统均为 648 条。完整对比还包括语音翻译系统，为保持一致，此处未列出。
GPT-6 Luna 的平均错误扣分最低，为 0.130。Gemma 4 31B 和 Gemma 4 26B 紧随其后，分数分别为 0.353 和 0.387；DeepSeek V4 Flash 的分数为 0.571。
在这个特定数据集上，商业翻译服务的表现相对较弱。Papago 的分数为 2.699，DeepL API 为 3.914，Google Cloud Translation Basic 为 5.731。
一个值得注意的发现是，几款相对较小的模型表现也不错。例如，Gemma 4 12B QAT Q4 的平均扣分为 0.855。
这些结果颇有意思，因为 GPT-6 Luna、Gemma 和 DeepSeek 都是通用语言模型，而非专门的翻译产品。它们的设计目标是处理写作、推理、编程和分析等多种不同任务。
不过，这并非完全同等条件下的比较。LLM 配置可以使用先前的对话轮次，而商业翻译服务在评估时则没有这些历史记录。因此，这些结果反映的是受测翻译工作流的表现，而不只是底层模型架构的优劣。
为什么上下文对翻译很重要
单独准确地翻译每个句子，并不总能确保保留句子原本想表达的含义。
例如，设想一段韩语对话：有人提到在商店买了凉鞋和拖鞋，随后又解释说，这些商品缺货，只能安排配送。
第二句话可能会省略所讨论的物品，因为根据对话内容已经可以知道它们是什么。
如果系统只翻译这句话，译文可能会产生歧义。能够访问前一条消息的模型，则可以识别出被省略的指代对象。
许多语言中都存在类似的挑战。
习语和非正式表达可能需要理解其含义，而不是逐字翻译。礼貌程度和正式程度可能取决于说话者之间的关系。简短回复也可能因前一个问题不同而含义各异。
LLM 可以利用周边信息消除这些歧义，还能遵循有关术语、文风和目标受众的指示。
这种灵活性是通用语言模型日益适用于翻译工作的原因之一。
添加上下文和指示可将错误减少 31.5%
该基准测试还单独开展了一项实验，研究额外信息对翻译质量的影响。
研究人员在两种条件下测试了 Gemma 4 E4B QAT Q4：仅翻译单个句子，以及提供额外指示和完整对话历史后再进行翻译。
| 配置 | 平均错误扣分 |
|---|---|
| 仅提供句子 | 2.118 |
| 指示 + 对话历史 | 1.452 |
第二种配置的平均错误扣分降低了 31.5%。
在 642 组配对评估中，使用上下文和指示的配置让 236 条译文有所改善、134 条变差，另有 272 条的评分相同。
无论是需要借助先前上下文的情况，还是模型必须判断先前信息无关的情况，都观察到了这种改善。
需要注意的是，这项实验同时改变了指示和对话历史。因此，它衡量的是二者的综合效果，而非单独分析上下文的作用。
尽管如此，结果仍表明，即使底层 AI 模型保持不变，翻译质量也可能有显著差异。
这是否意味着 LLM 总是更擅长翻译？
不是。该基准测试关注的是一种特定翻译任务：需要理解上下文的韩语对话翻译。
其发现不一定适用于所有语言对、主题或文档类型。
此外，评估采用的是自动化 AI 评审，而非专业人工译者。尽管这种方式便于进行大规模比较，但自动评估可能带有偏差，也未必能衡量翻译质量的方方面面。
另一个需要考虑的因素是，商业翻译服务也在不断发展。
DeepL 已开发自己的专用翻译大语言模型，而 Google 也推出了由 Gemini 驱动的 Google 翻译改进功能。此外，Google Cloud 还提供了本次基准测试未评估的、超出 Basic API 范围的专用翻译模型。
换句话说，通用 LLM 与专业翻译服务之间的界限正变得越来越模糊。
不同模型在不同语言对、专业主题或翻译任务上可能各有优势。准确度也并非唯一考量：具体应用场景不同，速度、成本和一致性同样可能至关重要。
该基准测试并未试图找出一款在所有情况下都占优的翻译系统，而是展示了通用 LLM 已具备多强的竞争力。
这对 AI 翻译服务意味着什么
随着通用模型不断进步，翻译服务不再只能依赖单一的专有翻译引擎，而是有了更多选择。
服务可以提供多个开发者所开发模型的访问渠道，并根据具体任务选择或推荐不同选项。
Lexibird 采用的正是这种方式。
Lexibird 提供来自不同 AI 服务商的一系列语言模型。用户可以自行选择模型，也可以在日常翻译中使用自动选项。
我们会定期从以下三个方面评估可用模型：
- 准确度： 模型保留含义、上下文、语气和术语的能力。
- 速度： 生成译文的速度，尤其是在日常任务中的表现。
- 成本： 翻译质量的提升是否值得额外的处理开销。
这些因素之间存在取舍。能力更强的模型可能在处理困难文本时效果更好，但响应速度更慢或运行成本更高。对于简单的翻译任务，小型模型可能已经足够。
我们的目标是随着新模型的出现，不断改进可用选项，而不是假设某个模型会永远是最佳选择。
Lexibird 还支持翻译术语表、语气自定义，以及文档、图片和音频翻译。这些功能有助于用户根据具体需求调整翻译。
Lexibird 本身并未参与这项韩语基准测试，因此不应将公开的分数解读为对 Lexibird 翻译表现的衡量。
最佳翻译模型可能很快就会易主
这项基准测试最有趣的发现，未必是 GPT-6 Luna 拿下第一名，而是多款通用语言模型在与专业翻译服务的对比中表现出色。
结果展现了机器翻译领域发生的巨大变化。为通用语言理解而开发的模型，如今已能胜任需要理解上下文、还原省略信息并保留对话意图的翻译任务。
与此同时，模型之间的相对表现可能很快发生变化。新版本可能提升翻译质量、缩短响应时间或降低成本。
对于翻译服务及其用户而言，这意味着保持灵活性或许比始终绑定某个翻译模型更有价值。
这项基准测试为我们了解 2026 年 AI 翻译的发展状况提供了有用的截面，但通用模型与专业翻译模型之间的竞争远未尘埃落定。
