一人持本，一人读书，若怨家相对，为雠（仇）。——刘向《别录》
昨天看到Intento 发布了今年的《2026翻译自动化报告》（The State of Translation Automation 2026）：37 家厂商、57 个模型和翻译引擎、229 种方案，从英语翻译为 100 种语言。
读完这份报告，有几点零散的感受，不成体系分享一下：
1、机器翻译的白垩纪
我记得这份报告之前还叫《The State of Machine Translation》，现在把"机器翻译"改了。
传统的机器翻译确实像恐龙一样濒临灭绝了：表现最好的那批方案里，大模型的占比 2024 年是 55%，2025 年是 89%，今年是 99%。剩下的 1%，是 DeepL 在德语和罗马尼亚语上的两个方案。
一年之内，51 家机器翻译厂商有 18 家退出、易主、改名或被移出统计；ModernMT 的 API 只能用到今年 12 月 31 日。
当然还有一些场景有例外，比如NMT引擎每千词约2秒，大模型约66秒，需要实时的场景还离不开NMT。
2、大模型不提它支持多少语言
支持的语言方向曾经是机器翻译厂商最基本的一个参数，因为每个语言方向后面可能对应一个模型。现在大模型厂商都不公布语言对了，甚至训练模型的人可能都不知道自己训练的模型支持多少种语言，大部分厂商也不太care。
Intento的方法是直接发原文和提示词，如果返回目标语译文就算支持。原话是“通过检查每个模型是否能返回该语言的可用翻译来验证语言支持”。
不过头部模型的语言对覆盖也是最好的，但应该比较同质，所以低资源语言可能会越来越孤立。
3、“语言服务”，变成了“语言验收服务”
按报告的算法，中位方案翻一个词约 0.00006 美元；它去年给人工翻译的估价，是每词 0.16 到 0.24 美元——差了几千倍。
如果要稳定过验收线，很多语言得走三步：翻译，质检，按质检意见修复。三步方案的中位成本约每百万字符 590 美元，是一步方案的一百多倍，其中约 96% 花在质检上：三个前沿模型逐句评审，第四个模型汇总。
所以账单上剩下的，几乎全是 QA（质量检查）。报告之外也有旁证：RWS 的 2025 财年年报里，收入降了 4%，毛利率从 46.9% 掉到 43.4%，同一份年报却写着，语言质量审校和测试的需求在增加。
4、有错误清单的自动修改，才靠谱
同一批方案，一步翻译每千词 36 个加权错误（轻微记 1、重大记 5、严重记 10，过线要在 20 以内）。让模型按要求再改一遍，降到 28。把 LQA（语言质量检查）列出的具体错误交给它修，才降到 16。报告的解释是：通用质量主要来自预训练，没有错误清单的第二遍，收益很小。
修复还会改坏东西：有术语表的语言里，修复后术语达标率从 88% 掉到 58%，多半是对的术语被"意译"掉了；约 5% 的方案，多出一个原来没有的严重错误。
所以让模型"再检查一遍"多半是安慰剂，反思要有外部的、具体的反馈，否则都不靠谱。
5、AI裁判强在规模，示例和上下文容易跑偏
报告的评测方法是这样的：评审席上坐着三个模型：Claude Opus 5、GPT-5.6 Sol、Gemini 3.1 Pro，来自三家厂商，最后由 Claude Fable 5 汇总。三个裁判在九成以上的句子上意见一致，结果才算数。
这种评测的优势是规模和效率：100 种语言、几百个方案，逐句按 MQM 分类定级，交出来的是错误清单，不只是分数。他们还测了裁判会不会偏袒自家模型，同厂商的分差不到 0.2 分（满分 100），方向也不一致。
偏差出在两个意想不到的地方：
一是示例。评审提示里加一组通用示例后，Gemini 报错的句子从 36% 降到 7%；乌克兰语里人工标为重大错误的句子，三个裁判一致认出的比例从 46% 掉到 6%。
二是上下文。逐句评审判出的重大和严重错误，放回上下文复查，约三分之一被降级或撤销。
评测方法选择相信裁判之间的一致，而不是人工评分，理由是 2025 年人工审校的严重度判断前后不一——信任的来源从权威换成了共识。
前一阵子我测了下 Jev，让它当裁判复核 QA 告警。它以 0.84 的把握，把一条明显的语法错误判成"告警不成立"；我给了"证据不足"这个选项，288 次调用里它只选了 5 次——单个裁判也不靠谱。
汉代校书，一个人持本，一个人读，两人相对如仇家。两千年后，让三个模型对坐，九成意见一致才算数——一样的方法啊～
报告原文：https://inten.to/state-of-translation-automation/
