通用大型語言模型（LLM）在競爭力上日益能與專用機器翻譯服務匹敵。 2026 年 9 月發布於 GitHub 的基準測試提供了一個有趣的例子：GPT-6 Luna、Gemma 4 和 DeepSeek V4 Flash 的翻譯錯誤分數都低於 DeepL API 和 Google Cloud Translation Basic。
GPT-6 Luna 名列第一，接著是其他幾款通用語言模型。結果顯示，為多種任務而開發的模型，也能在翻譯方面表現出色，尤其是在對話脈絡至關重要時。
有一項重要區別需要注意：這項基準測試評估的是 Google Cloud Translation Basic，而非面向一般消費者的 Google 翻譯應用程式；後者已加入更多由 Gemini 驅動的翻譯功能。
基準測試評估了什麼？
《韓語多輪脈絡翻譯基準測試》（Korean Multi-turn Context Translation Benchmark）比較了 15 種翻譯系統將韓語對話翻譯成英文、日文和簡體中文的能力。
資料集包含 216 個韓語對話範例，每個系統最多產生 648 筆翻譯。
測試著重於一些若缺乏脈絡便難以翻譯的語言特性：
- 省略資訊： 韓語經常省略主詞和受詞，因為讀者可從前文理解其所指。
- 指涉不明： 詞語和表達方式可能指向先前提過的人或物。
- 語氣與禮貌程度： 翻譯需要考量正式程度以及說話者之間的關係。
- 對話意圖： 簡短回覆、言外之意和不完整句子，往往需要依據前面的訊息才能理解。
- 無關脈絡： 翻譯系統也必須判斷何時應忽略先前資訊。
翻譯品質採用以 GEMBA-MQM 為基礎的方法進行評估。自動化 AI 評估器會辨識錯誤，並依照嚴重程度給予扣分。
平均扣分越低，代表在這項評估中錯誤越少，或錯誤的嚴重程度越低。
翻譯基準測試結果
2026 年 9 月的比較中，部分文字翻譯系統的結果如下：
| 翻譯系統 | 平均錯誤扣分 |
|---|---|
| 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 |
來源：15 系統整合比較，2026 年 9 月。分數越低越好。DeepL 有 642 筆有效評估；表中其他系統則有 648 筆。完整比較也納入了語音翻譯系統，為維持一致性，此處省略。
GPT-6 Luna 的平均錯誤扣分最低，為 0.130。Gemma 4 31B 和 Gemma 4 26B 分別以 0.353 和 0.387 緊追在後，而 DeepSeek V4 Flash 的分數為 0.571。
商用翻譯服務在這個特定資料集上的表現較差。Papago 的分數為 2.699，DeepL API 為 3.914，Google Cloud Translation Basic 則為 5.731。
另一項值得注意的發現是，幾款相對較小的模型也表現出色。例如，Gemma 4 12B QAT Q4 的平均扣分為 0.855。
這些結果引人注目，因為 GPT-6 Luna、Gemma 和 DeepSeek 都是通用語言模型，而非專用翻譯產品。它們的設計用途廣泛，涵蓋寫作、推理、程式設計和分析等多種任務。
不過，這項比較並非完全在相同條件下進行。LLM 的設定可以使用先前的對話內容，而商用翻譯服務則是在沒有對話紀錄的情況下接受評估。因此，結果反映的是受測翻譯流程的表現，而不只是底層模型架構本身的差異。
為什麼脈絡對翻譯很重要
即使逐句翻譯正確，也不一定能保留原本想表達的意思。
例如，想像一段韓語對話：有人提到在店裡買了涼鞋和拖鞋。接下來一句說明這些商品缺貨，因此必須安排配送。
第二句可能會省略正在討論的物品，因為讀者已能從對話中理解所指。
若系統只翻譯那一句，可能會產生含糊的譯文。能讀取前一則訊息的模型，則可以辨識被省略的指涉對象。
許多語言都有類似的挑戰。
成語和非正式表達可能需要理解其含義，而非逐字翻譯。禮貌程度和正式程度可能取決於說話者之間的關係。簡短回覆也可能因前一個問題不同而有不同含義。
LLM 可以利用周遭資訊消除這些歧義，也能依照要求處理術語、寫作風格和目標讀者。
這種靈活性是通用語言模型日益適用於翻譯的原因之一。
加入脈絡和指示後，錯誤減少了 31.5%
基準測試另有一項實驗，檢視額外資訊會如何影響翻譯品質。
研究人員在兩種條件下測試 Gemma 4 E4B QAT Q4：單獨翻譯一句話，以及在提供額外指示和完整對話紀錄的情況下翻譯。
| 設定 | 平均錯誤扣分 |
|---|---|
| 僅提供句子 | 2.118 |
| 指示 + 對話紀錄 | 1.452 |
第二種設定的平均錯誤扣分低了 31.5%。
在 642 組配對評估中，加入脈絡和指示的設定改善了 236 筆翻譯、使 134 筆翻譯變差，另有 272 筆的分數相同。
無論需要運用前文脈絡，或需要判斷先前資訊無關緊要，兩種情況下都觀察到改善。
一項重要限制是，這項實驗同時改變了指示和對話紀錄。因此，它衡量的是兩者的綜合效果，而非單獨分析脈絡的效益。
即便如此，結果仍顯示，即使底層 AI 模型不變，翻譯品質也可能有相當大的差異。
這是否代表 LLM 的翻譯能力總是更好？
不是。這項基準測試聚焦於一種特定的翻譯類型：需要理解脈絡的韓語對話。
其研究結果不一定適用於所有語言組合、主題或文件類型。
此外，評估採用自動化 AI 評審，而非專業人工譯者。雖然這讓大規模比較更為可行，但自動評估可能帶有偏差，也不一定能涵蓋翻譯品質的各個面向。
另一項考量是，商用翻譯服務也在持續發展。
DeepL 已開發自己的翻譯專用 LLM，而 Google 則為Google 翻譯推出由 Gemini 驅動的功能改進。此外，Google Cloud 也提供專用翻譯模型，不只限於這項基準測試所測試的 Basic API。
換句話說，通用 LLM 和專用翻譯服務之間的界線正變得愈來愈模糊。
不同模型可能在不同語言組合、技術主題或翻譯任務上各有優勢。準確度也只是考量因素之一；視使用情境而定，速度、成本和一致性可能同樣重要。
這項基準測試並未找出一個放諸四海皆準的最佳翻譯系統，而是展現了通用 LLM 的競爭力已提升到何種程度。
這對 AI 翻譯服務有何意義
隨著通用模型不斷進步，翻譯服務不必再只依賴單一專有翻譯引擎，而是有了更多選擇。
服務可以改為提供多家開發商的模型，並根據任務挑選或推薦不同選項。
這正是我們在 Lexibird 採用的做法。
Lexibird 提供多家 AI 供應商所開發的語言模型。使用者可以自行選擇模型，也可以使用自動選項處理日常翻譯。
我們會定期評估可用模型，並著重考量以下三點：
- 準確度： 模型保留原意、脈絡、語氣和術語的能力。
- 速度： 模型產生譯文的速度，尤其是處理日常任務時的表現。
- 成本： 品質提升是否值得額外的運算成本。
這些因素之間存在取捨。能力較強的模型可能更擅長處理難度較高的文本，但回應速度可能較慢，或執行成本較高。較小的模型則可能已足以應付簡單的翻譯。
我們的目標是隨著新模型推出，持續改善可用選項，而不是假設某個模型會永遠是最佳選擇。
Lexibird 也支援翻譯詞彙表、語氣自訂，以及文件、圖片和音訊翻譯。這些功能能協助使用者根據特定需求調整譯文。
Lexibird 本身並未參與這項韓語基準測試，因此不應將公布的分數解讀為 Lexibird 翻譯表現的評量結果。
最佳翻譯模型可能很快就會易主
這項基準測試最有趣的發現，未必是 GPT-6 Luna 榮獲第一名，而是多款通用語言模型的表現強勁，足以與專用翻譯服務一較高下。
結果展現了機器翻譯的巨大變化。為一般語言理解而開發的模型，如今也能處理需要解讀脈絡、還原省略資訊並保留對話意圖的翻譯任務。
與此同時，模型之間的相對表現可能很快就會改變。新版本可能提升翻譯品質、縮短回應時間或降低成本。
對翻譯服務及其使用者而言，這意味著保持彈性，或許比執著於單一翻譯模型更有價值。
這項基準測試提供了 2026 年 AI 翻譯發展狀況的一個有用縮影，但通用模型與專用翻譯模型之間的競爭遠未定局。
