翻译用哪个 LLM：9 个模型、9 种语言，成本相差 400 倍
翻译并不存在一个适合所有场景的最佳模型：gpt-5.6-sol 在评测的 9 种语言中领先 7 种；claude-fable-5 在韩语上略胜一筹；gemini-3.7-flash 在韩语上与其持平，并以相同的实测价格在意大利语上超过它。根据所选 API，同样翻译 100 万字符，成本可从 $0.26 跨到 $104。我们使用 9 个模型翻译了 9 种语言，共生成 4,210 个译文，并进行了 8,455 次盲测两两评判。本文汇总了完整结果。
TL;DR
- 默认选择：gpt-5.6-sol 在 8,455 次盲评中守住了 9 种语言里的 7 种；韩语由 claude-fable-5 胜出（52%），意大利语由 gemini-3.7-flash 胜出（52%）。
- 按内容类型看：文学文本适合 gemini-3.7-flash（对基线胜率 60%）；UI 字符串在 9 个模型间全部打平，且 placeholder 零损坏，因此选最便宜的即可；$4 以下最佳选择是 qwen3.8-max。
- 每 100 万字符成本从 $0.26（deepseek-v4-flash）到 $104（gemini-3.1-pro）；其中 $104 主要来自模型拒绝关闭的 1.17M 个 reasoning token。
- 评判模型有 83-100% 的概率更偏好前沿模型译文，而不是人工译后编辑稿。
我们如何评测翻译质量？
评测由三部分组成：平行语料库、一套生产级 prompt，以及盲评评审组。下文使用的全部数据，包括原始评判结果，都在公开基准仓库中。
语料库。 语料包含 6 个领域的 52 个英文片段，每个模型都将它们翻译成全部 9 种语言。其中 4 个领域来自 WMT24++（Apache-2.0）：新闻、社交媒体、口语和文学，每个领域通过固定 seed 抽样 8 个片段。WMT 是每年举办的机器翻译共享评测任务，WMT24++ 则是其评测集。每个 WMT24++ 片段都带有人工译后编辑参考稿，即专业译员完成翻译后，再由第二位语言专家审阅和修正。数据集覆盖了我们实际提供服务的全部 locale：zh_CN、zh_TW、ja、ko、fr、de、es_MX、pt_BR、it。另外两个领域由我们自行构建：过去 60 天内发布文章中的 10 段技术文档，可同时作为数据污染对照，因为任何模型的训练数据都不可能包含这些内容；以及 10 条合成 UI 字符串，覆盖已知的本地化风险，例如缺少上下文的 “Archive”、{placeholder} 完整性和复数形式。抽样使用固定 seed，segment id 也全部公开，因此不存在为了得到特定结果而筛选语料的问题。
评判。 每个候选译文都与固定基线 gpt-5.6-sol 对同一片段的译文进行盲测比较。这个模型目前也负责翻译本博客。三个评判模型系列（claude-sonnet-5、gpt-5.6-luna、gemini-3.1-pro）按照源自 MQM 的标准独立评分。MQM 是业界通用的翻译错误分类体系。各项按优先级排序，因此一个准确性错误会压过任何程度的语言润色：
1. 准确性 (Accuracy) 错译、漏译、增译、幻觉
2. 术语 (Terminology) 领域术语按母语工程师的习惯处理
3. 流畅度 (Fluency) 语法正确、读起来自然
4. 文体 (Style) 语域与文本类型相称
5. 本地惯例 (Locale) 数字、日期、单位、标点全半角
6. 标记 (Markup) 行内代码、占位符、链接原样保留按严重程度分级的设计借鉴了 Error Span Annotation 方法。WMT 自 2024 年起一直使用这套协议进行人工评测，我们将其调整为 LLM 两两评判。语料和参考译文来自 WMT24++ 论文。每一组译文都会评判两次，并交换展示顺序。如果同一个评判模型在两个顺序下给出互相矛盾的结论，则记为平局。三个评判模型按相同权重取平均，不合并成单次投票；同时公布每个评判模型的数据，以便观察模型系列偏差。另一组实验将三个前沿模型（gpt-5.6-sol、claude-fable-5、gemini-3.1-pro）与 WMT24++ 的人工参考译文进行了比较。Placeholder 完整性由脚本判定，不交给评判模型。
各语言的最佳翻译模型是哪个？
先说结论：gpt-5.6-sol 不只是这张表的基线，也是实测冠军。下方所有挑战者都以它为参照，没有任何模型能在超过一种语言上取得 50% 以上的胜率。在另一组人工参考译文实验中，sol 的译文有 86-100% 的概率优于 WMT24++ 的专业译后编辑稿，是三个受测前沿模型中表现最好的。表中数据表示对 sol 的胜率，排除平局，并对三个评判模型取平均；50% 表示持平。
| 对比基线 | zh | zh-TW | ja | ko | fr | de | es | pt | it |
|---|---|---|---|---|---|---|---|---|---|
| gemini-3.7-flash | 26% | 35% | 43% | 50% | 40% | 37% | 39% | 8% | 52% |
| claude-fable-5 | 19% | 15% | 38% | 52% | 39% | 32% | 31% | 20% | 47% |
| gemini-3.1-pro | 17% | 22% | 24% | 45% | 30% | 21% | 38% | 14% | 25% |
| qwen3.8-max | 26% | 21% | 18% | 28% | 36% | 17% | 32% | 14% | 25% |
| kimi-k3 | 27% | 15% | 23% | 23% | 16% | 24% | 10% | 0% | 24% |
| claude-sonnet-5 | 3% | 6% | 9% | 32% | 25% | 27% | 28% | 10% | 9% |
| deepseek-v4-flash | 20% | 6% | 0% | 24% | 22% | 19% | 12% | 7% | 11% |
| glm-5.2 | 9% | 3% | 10% | 6% | 7% | 8% | 11% | 7% | 12% |
| 各语言推荐 | sol | sol | sol | fable-5 | sol | sol | sol | sol | 3.7-flash |
有四点很突出。第一，基线明确守住了 9 种语言中的 7 种，这也反过来验证了我们此前通过盲评将它选入生产流程的决定。第二，韩语竞争最激烈：fable-5 以 52% 略微胜出，3.7-flash 则达到持平。如果韩语是主要市场，模型排名确实不同。第三，中文开源权重模型在主场也输了：Qwen 的简体中文胜率为 26%，GLM 只有 9%。第四，GLM-5.2 的失利仅限于当前任务，并非整体能力问题。就在几天前，它还在我们的结构化输出研究中完整保留了 6/6 个 schema 关键词；它只是不擅长翻译。
哪类内容仍然难翻译？
下表按内容类型给出推荐模型和最强替代方案，并列出替代方案对基线的胜率。全体中位数基于另外 8 个挑战者计算：
| 领域 | 推荐模型 | 最强替代方案 | 全体中位数 |
|---|---|---|---|
| 文学 | gemini-3.7-flash（对基线 60%） | gpt-5.6-sol | 8% |
| 新闻 | gpt-5.6-sol | gemini-3.1-pro（48%） | 28% |
| 口语 | gpt-5.6-sol | gemini-3.7-flash（43%） | 25% |
| 社交媒体 | gpt-5.6-sol | qwen3.8-max（27%） | 12% |
| 技术文档 | gpt-5.6-sol | fable-5 / 3.7-flash（30%） | 15% |
| UI | 最便宜的模型（deepseek-v4-flash） | 任意模型，评判结果大多为平局（最高 77%） | 61% |
有一组对照数据需要单独说明：技术文档来自任何模型都不可能在训练中见过的段落，而 Gemini 模型在这里降幅最大。gemini-3.1-pro 在公开 WMT 领域的平均胜率为 33%，在这些新段落上只有 10%。这个差距既可能说明模型熟悉 benchmark，也可能来自基线的主场优势，因为它本来就在生产环境中翻译技术文章。因此我们只标出这个现象，不直接下结论。
按内容类型选择时，新闻、社交媒体、口语和技术文档继续使用基线。基线在社交媒体文本上的优势最大，因为俚语、残句和隐含语境会拉低所有挑战者的表现，8 个模型中有 3 个胜率低于 10%。文学文本是唯一结论不同的类别：gemini-3.7-flash 以 60% 的胜率直接击败基线，因此小说类内容有了更便宜、效果也更好的选择。UI 字符串则完全相反：十来个词的按钮文案很难拉开差距，因此评判结果大多是平局；9 个模型也都完整保留了全部 {seconds}、%d 和 {workspace_name}，每个模型都是 27 个中损坏 0 个。质量无法区分时，就按价格选。UI 字符串用手头最便宜的模型翻译即可。Placeholder 损坏这个经典本地化问题，到 2026 年似乎已经在模型层解决。
同样的翻译任务，各模型成本是多少？
每 100 万个输出字符的成本从 $0.26 到 $104.37。该数据按全部 9 种语言汇总，以总实测支出除以总输出字符数，价格相差 400 倍，而且最贵的模型并不是最好的：
| 模型 | 每 100 万输出字符成本 | 消耗的 reasoning token | 胜率范围 |
|---|---|---|---|
| deepseek-v4-flash | $0.26 | 0 | 0-24% |
| glm-5.2 | $2.48 | 0 | 3-12% |
| qwen3.8-max | $3.18 | 0 | 14-36% |
| claude-sonnet-5 | $8.36 | 0 | 3-32% |
| kimi-k3 | $8.37 | 0 | 0-27% |
| gpt-5.6-sol（基线） | $13.70 | 0 | n/a |
| gemini-3.7-flash | $14.46 | 505K | 8-52% |
| claude-fable-5 | $39.81 | 0 | 15-52% |
| gemini-3.1-pro | $104.37 | 1,171,770 | 14-45% |
$104 这一行付的是思考税，不是质量溢价。翻译不需要 reasoning，所有允许我们将思考量固定为零的模型都运行正常。当前一代 Gemini 会拒绝所有关闭思考的参数写法，因此 gemini-3.1-pro 在 468 次翻译中消耗了 1.17M 个 reasoning token，成本达到基线的 7.6 倍，却在全部 9 种语言上都输给了基线。就连它的 flash 版本也额外消耗了 505K 个 token，最终成本高于基线。
高性价比选择也很明确。如果质量必须接近前沿水平，gemini-3.7-flash 是最强挑战者：在 9 种语言中的 7 种上，对基线胜率为 35-52%（50% 表示持平；其短板是简体中文的 26% 和葡萄牙语的 8%），而且拿下了唯一一个明确胜出的领域，即文学文本，胜率 60%。其实测成本与基线相差不到 6%，因为强制 reasoning 消耗抵消了 flash 的价格优势。如果成本优先，deepseek-v4-flash 的价格只有基线的 1/53，而且从未损坏 placeholder。代价是明显的质量下降，日语 0% 的胜率是下限，不是四舍五入误差。这个取舍适合内部内容，不适合任何面向客户的内容。
实际应该选哪个模型？
整张矩阵可以归纳为一张决策表：
| 优化目标 | 选择 | 依据 |
|---|---|---|
| 多语言综合质量最佳 | gpt-5.6-sol | 面对所有挑战者，守住了 9 种语言中的 7 种 |
| 韩语 | claude-fable-5，预算有限时选 3.7-flash | 对基线胜率 52%，是挑战者唯一胜出的语言；flash 持平（50%） |
| 意大利语 | gemini-3.7-flash | 以基线价格取得 52% 的对基线胜率 |
| 文学或小说类内容 | gemini-3.7-flash | 对基线胜率 60%，是唯一被挑战者明确拿下的领域 |
| 新闻、社交媒体、口语、技术文档 | 基线 | 这些领域中，没有挑战者超过 48% |
| UI 字符串 | deepseek-v4-flash | 各模型评判结果持平，placeholder 也全部安全，因此 $0.26 的模型靠价格胜出 |
| 每 100 万字符低于 $4 的多语言方案 | qwen3.8-max | 在 $4 以下档位中，9 种语言的胜率都最高 |
| 内部内容的绝对最低成本 | deepseek-v4-flash | 每 100 万字符 $0.26，只有基线的 1/53；需要接受 CJK 语言的质量差距 |
| 不应当用于翻译 | gemini-3.1-pro、glm-5.2 | 前者必须支付 7.6 倍的思考税，后者在这个任务上质量大幅下滑 |
LLM 现在已经超过人工译员了吗？
在全部 9 种语言中，三个前沿模型的机器译文都有 83-100% 的概率胜过 WMT24++ 的人工译后编辑参考稿。唯一例外是 claude-fable-5 的简体中文，胜率为 44%。这个数字有两种解读，两者都必须说明。较强的结论是：WMT24++ 的作者认为，LLM 已经是其覆盖的全部 55 种语言中最好的机器翻译系统，我们的评审结果与之一致。更谨慎的结论是：LLM 评判模型可能与 LLM 翻译模型共享风格偏好，另一个模型可能恰好更喜欢语言更流畅、润色更充分的机器译文；而且这些参考稿是译后编辑文本，不是文学级定稿。这个结果可以稳妥证明的是：对于我们能构建的任何自动化评审组，前沿机器翻译已经无法与专业人工参考译文区分。真正值得关注的问题因此转向价格，而价格差距达到几个数量级。
LLM 评判到底有多大噪声？
噪声大到不能使用毫无保护的单次评判，好在保护措施成本很低。我们将同一组译文展示两次并交换顺序后，评判模型给出完全矛盾结果，也就是从胜出直接翻转为落败的比例分别为：claude-sonnet-5 9%，gemini-3.1-pro 13%，gpt-5.6-luna 19%。我们的协议会把这类矛盾全部记为平局，让位置偏差相互抵消，而不是不断累积。汇总数据旁还会公布每个评判模型的胜率，以便确认结论是否由某一个模型系列主导。三个系列在幅度上有时意见不同，例如 sonnet-5 对同属 Claude 系列的模型最严格，但它们在每种语言上的方向都一致，而本文的结论正是建立在这个一致性上。
常见问题
翻译应该使用哪个 LLM？
gpt-5.6-sol 是多语言翻译的最佳默认选择：在 8,455 次盲评中，它面对所有挑战者守住了 9 种语言中的 7 种。如果希望以相同价格获得接近前沿的质量，可以选择 gemini-3.7-flash，它在韩语和意大利语上持平或胜出。如果是成本优先的大批量内部翻译，可以选择每 100 万字符 $0.26 的 deepseek-v4-flash，但要接受它在 CJK 语言上的明显质量差距。
LLM 比人工译员更好吗？
在我们测试的 9 种语言中，自动化评判模型有 83-100% 的概率更偏好前沿 LLM 的译文，而不是人工译后编辑参考稿，这与 WMT24++ 自身的结论一致。这个说法仅适用于参考质量的译后编辑稿和机器评判，不包括带有编辑意图的文学翻译；LLM 评判模型也可能与 LLM 翻译模型共享风格偏好。
翻译应该使用 reasoning 模型吗？
不应该。我们的数据中，思考过程对翻译没有任何收益，而无法关闭它的模型还要为此付费：gemini-3.1-pro 在 468 次短文本翻译中消耗了 1.17M 个 reasoning token，成本达到基线的 7.6 倍，却在每种语言上都落败。翻译工作负载应将 reasoning_effort 固定为 none，或使用对应模型表示关闭的参数值。
数据通过 Synthorai gateway 于 2026-08-26 至 2026-08-29 实测：9 个模型、9 种语言、6 个领域中的 52 个片段、4,210 个译文，以及 3 个评判模型系列依据源自 MQM 的标准、通过交换顺序完成的 8,455 次盲测两两评判。语料、代码和全部原始评判结果都在公开仓库中；绝对数值来自这一批次，依赖任何一行数据前都应重新实测。
同系列文章：各语言最便宜的 LLM、13 个模型的思考控制方式、结构化输出实测、Gemini 3.7 Flash 成本。