Najbolji LLM za prevođenje u 2026.: što pokazuju najnoviji benchmarkovi

Kratki odgovor: ne postoji univerzalno najbolji LLM

Najbolji LLM za prevođenje ovisi o jezičnom paru, domeni, duljini dokumenta, terminološkim pravilima i tome što se smatra neprihvatljivom pogreškom. Nedavni mjerodavni benchmarkovi pokazuju da su LLM-ovi snažni sustavi za prevođenje, ali ne podupiru jedinstvenog trajnog globalnog pobjednika.

Najoobranjiviji zaključak za 2026. jest:

1. Napravite uži izbor aktualnih modela opće namjene i onih specijaliziranih za prevođenje.
2. Testirajte točno onaj smjer jezika i vrstu sadržaja koji su vam potrebni.
3. Odbacite izostavljanja, izmišljotine, promijenjene brojeve i terminološke pogreške prije nego što ocijenite tečnost.
4. Za važne poslove upotrijebite usporedbu koju su proveli kvalificirani ljudi.
5. Testirajte model unutar stvarnog tijeka rada s datotekama, a ne samo u chat okviru.

Ovaj članak ne predstavlja ljestvicu BookTranslator modela. Nemamo objavljen, ponovljiv interni korpus koji bi opravdao imenovanje univerzalnog pobjednika. Umjesto toga, objašnjava što najnoviji javni benchmarkovi utvrđuju, što ne utvrđuju i kako provesti evaluaciju specifičnu za projekt.

Što najnoviji benchmarkovi za prevođenje zapravo pokazuju

Trend na benchmarkovima nije „opći LLM-ovi zamijenili su sustave za prijevod”. Radi se o tome da ta granica postaje sve manje korisna. Opći LLM-ovi mogu biti snažni prevoditelji; specijalizirani modeli mogu zadržati kvalitetu prijevoda uz poboljšanje praćenja uputa; a pobjednički sustav i dalje se mijenja ovisno o jezičnom smjeru i dizajnu testa.

WMT25: Teški testovi i ljudska evaluacija su važni

WMT25 General Machine Translation shared task evaluirao je 60 sustava na 30 jezičnih parova. Za polovicu tih parova profesionalni anotatori evaluirali su rezultate na četiri ili pet domena koristeći Error Span Annotation, dok je MQM korišten za dva para. Zadatak se također dodatno pomaknuo prema unosu na razini dokumenta koji sadrži više odlomaka.

Taj dizajn je važan jer laki testni skupovi na razini rečenica mogu prikriti:

• pogreške u zamjenicama i referencama koje se pojavljuju samo između odlomaka;
• odstupanje terminologije;
• izostavljanja na razini dokumenta;
• pogreške specifične za domenu;
• tečne izmišljotine; i
• razlike između jezičnih smjerova s visokim i nižim resursima.

Praktična lekcija nije kopirati WMT rangiranje u svoj odabir alata. Već kopirati disciplinu evaluacije: težak izvorni materijal, više domena, kontekst dokumenta i ljudsko označavanje pogrešaka.

WMT24++: Široka jezična pokrivenost, uz veliku ogradu

WMT24++ proširio je WMT24 skup podataka na 55 jezika i dijalekata, uključujući nove ljudski napisane reference i naknadno uređene reference. Pokriva književni, novinski, društveni i govorni sadržaj.

Rad izvješćuje da su LLM-ovi bili najbolji evaluirani MT sustavi u svih 55 jezika prema njegovim automatskim metrikama. To je važan dokaz da moderni LLM prijevod nije ograničen na nekoliko parova usmjerenih na engleski.

No autori također navode da se rezultat ne smije koristiti za čvrste zaključke o kvaliteti bez ljudske evaluacije. Automatske metrike mogu nagraditi rezultate koji se razlikuju od ljudske prosudbe, a prosječne ocjene mogu prikriti kritične pogreške u jednom jezičnom smjeru.

Koristite WMT24++ da opravdate široko testiranje LLM-ova—a ne da proglasite da je bilo koji imenovani LLM najbolji za svaki jezik.

TOWER+: Kvaliteta prijevoda i praćenje uputa dvije su različite osi

TOWER+ rad iz 2026. evaluira sustave specijalizirane za prijevod i općenamjenske sustave na WMT24++, općim višejezičnim referentnim testovima te novom IF-MT referentnom testu koji kombinira prijevod s uputama poput terminologije i pravila oblikovanja.

Njegov je središnji nalaz koristan za stvarne projekte: maksimiziranje sirove kvalitete prijevoda može naštetiti općoj sposobnosti praćenja uputa. Sustav za prijevod može proizvesti dobre rečenice, a pritom ne slijediti pojmovnik, ne očuvati traženi uzorak ili ne poštovati ograničenja izlaza.

TOWER+ izvješćuje da:

• je njegov model od 72B dostigao učinak prijevoda TOWER-V2 uz veliko poboljšanje općih sposobnosti;
• je njegov model od 9B ostao konkurentan na 24 jezična para;
• je model od 72B bio konkurentan vlasničkim verzijama GPT-4o i Claude Sonnet uključenima u rad; i
• se učinak ipak mijenjao kada se evaluacija proširila s jezika s bogatim resursima na širi skup jezika.

To ne čini TOWER+ rješenjem za svakog korisnika. Dokazuje da se moraju mjeriti i „kvaliteta prijevoda” i „može li se pouzdano slijediti produkcijski brief”.

Zašto javni referentni test ne može odabrati vaš model

Rezultat referentnog testa odnosi se na njegovu:

• točnu verziju modela;
• postavku upita i dekodiranja;
• jezične smjerove;
• izvorne domene;
• granice segmenata ili dokumenata;
• referentne prijevode;
• metrike i ljudski protokol; i
• datum testiranja.

Vaš se projekt može razlikovati u svakoj dimenziji. Model koji prednjači u prijevodu vijesti s engleskog na njemački možda neće prednjačiti u prijevodu fikcije s japanskog na engleski, akademske proze s arapskog na francuski ili prijevodu titlova s vremenskim ograničenjima.

API-ji modela također se mijenjaju. Naziv dobavljača poput GPT, Claude, Gemini, Qwen ili DeepSeek nije stabilna eksperimentalna jedinica. Zabilježite točan identifikator modela i datum.

Što bi „najbolje” trebalo značiti za vaš prijevod

Za književno djelo dodajte glas, ritam, karakterizaciju, dvosmislenost i kulturnu prosudbu. Studija iz 2025., How Good Are LLMs for Literary Translation, Really?, pokazala je da su objavljeni ljudski prijevodi postigli bolje rezultate u njezinoj evaluaciji te da su noviji rezultati LLM-ova bili skloniji doslovnosti i manjoj raznolikosti.

Izradite reprezentativni testni korpus

Koristite odlomke koje posjedujete ili ih smijete obrađivati. Uključite:

Prije pokretanja modela zabilježite izvorni jezik, ciljni jezik, domenu, obavezne pojmove, zaštićena imena i brojeve, poznate zamke i kvalifikacije recenzenta.

Zamrznite prompt i postavke

Koristite isti izvor, upute, pojmovnik, segmentaciju i pravila ponovnog pokušaja za svakog kandidata.

Translate the source into [target language] for [audience].
Preserve meaning, uncertainty, names, numbers, citations, paragraph boundaries,
and formatting markers. Apply the glossary exactly.
Do not summarize, explain, censor, or add translator notes.
Output only the translation.

Zabilježite:

• pružatelja usluge i točan identifikator modela;
• datum testiranja i API ili sučelje proizvoda;
• sistemske i korisničke promptove;
• izložene postavke uzorkovanja ili zaključivanja;
• pojmovnik i pravila stila;
• ponovne pokušaje, neuspjehe i skraćivanja;
• neobrađene, neuređene izlaze; i
• trošak unosa, izlaza i recenzije.

Ako jednom kandidatu treba ponovljena ručna intervencija, računajte to kao proizvodni neuspjeh, a ne uklanjajte ga iz usporedbe.

Recenzirajte u dva prolaza

Prolaz 1: Odbacite kritične nedostatke

Odbacite ili strogo kaznite:

• izostavljen ili izmišljen sadržaj;
• obrnuto značenje ili izgubljenu negaciju;
• promijenjena imena, brojeve, jedinice, formule ili citate;
• neprevedene ulomke;
• duplicirane ili skraćene odlomke;
• komentare asistenta unutar prijevoda; i
• ignoriran pojmovnik ili pravila izlaza.

2. prolaz: Usporedba kvalitete

Anonimizirajte preostale rezultate i zamolite kvalificirane recenzente da ih usporede jedan uz drugi. Koristite kategorije pogrešaka kao što su točnost, tečnost, terminologija, potpunost, glas i struktura.

WMT24 Metrics Shared Task podržava korištenje snažnih neuronskih metrika kao dijela evaluacije, ali automatizirano ocjenjivanje ne bi smjelo biti jedini sudac. Ono je osobito slab dokaz kada je sadržaj književni, niskoresursni, visokotehnički ili sigurnosno kritičan.

Testirajte stvarni tijek rada, ne samo model

Model može dobro prevesti odlomak i pritom ipak biti pogrešan izbor za produkciju.

Za cijeli dokument provjerite:

• jesu li prisutni prvi i posljednji odjeljak;
• podudaraju li se naslovi i broj odlomaka;
• ostaju li imena i pojmovi iz pojmovnika stabilni;
• završava li ijedan rezultat na granici tokena;
• ostaju li tablice, bilješke i citati povezani;
• otvara li se preuzeta datoteka i može li se u njoj navigirati; i
• je li ukupno vrijeme pregleda i popravaka prihvatljivo.

Za EPUB, PDF i DOCX namjenski tijek obrade datoteka rješava raščlanjivanje, segmentaciju, rekonstrukciju i preuzimanje. BookTranslator pruža taj tijek rada za podržane formate knjiga i dokumenata. Model je samo jedna komponenta; snažan model ne može popraviti PDF pročitan u pogrešnom redoslijedu ili EPUB ponovno sastavljen s pokvarenom navigacijom.

Praktično pravilo za odabir

Odaberite kandidata samo ako zadovoljava svaki uvjet:

1. Nema kritične pogreške u značenju ili potpunosti.
2. Snažna preferencija kvalificiranih recenzenta pri usporedbi jedan uz drugi.
3. Stabilna terminologija u dugom uzorku.
4. Pouzdano praćenje uputa.
5. Čist rezultat bez krhkog ručnog spašavanja.
6. Prihvatljiv ukupni trošak pregleda.
7. Kompatibilnost sa stvarnim tijekom obrade dokumenata ili titlova.

Ako su dva modela blizu, preferirajte onaj s manje kritičnih pogrešaka i manjom varijacijom među recenzentima. Ne prilagođavajte se prekomjerno maloj razlici u jednom automatskom rezultatu.

Za odluku o prijevodu cijele knjige ovu metodu povežite s okvirom za usporedbu AI i ljudskog prijevoda knjiga. Za usporedbu cjelokupnih tijekova rada s datotekama, a ne samo modela, poslužite se vodičem kroz najbolje alate za prijevod knjiga.