Beste LLM voor Vertaling in 2026: Wat de Nieuwste Benchmarks Laten Zien
Er is geen universeel beste LLM voor vertaling. Bekijk wat WMT25, WMT24++ en TOWER+ laten zien en gebruik vervolgens een reproduceerbare test voor jouw talenpaar en content.
Het Korte Antwoord: Er Is Geen Universeel Beste LLM
De beste LLM voor vertaling hangt af van het talenpaar, het domein, de documentlengte, terminologieregels en wat als een onacceptabele fout wordt beschouwd. Recente gezaghebbende benchmarks laten zien dat LLM's sterke vertaalsystemen zijn, maar ze ondersteunen geen enkele permanente wereldwijde winnaar.
De meest verdedigbare conclusie voor 2026 is:
- Maak een shortlist van huidige general-purpose en vertaalspecifieke modellen.
- Test de exacte taalrichting en het contenttype dat je nodig hebt.
- Verwerp weglatingen, verzinsels, gewijzigde getallen en terminologiefouten voordat je vlotheid beoordeelt.
- Gebruik een gekwalificeerde menselijke vergelijking voor belangrijk werk.
- Test het model binnen de echte bestandsworkflow, niet alleen in een chatbox.
Dit artikel presenteert geen BookTranslator-modellenklassement. We hebben geen gepubliceerd, reproduceerbaar intern corpus dat het benoemen van een universele winnaar zou rechtvaardigen. In plaats daarvan legt het uit wat de nieuwste openbare benchmarks vaststellen, wat ze niet vaststellen en hoe je een projectspecifieke evaluatie uitvoert.
Wat de Nieuwste Vertaalbenchmarks Werkelijk Laten Zien
| Benchmark | Bereik | Sterkste nuttige bevinding | Belangrijke beperking |
|---|---|---|---|
| WMT25 General Machine Translation | 30 talenparen; 60 systemen; professionele menselijke evaluatie voor 15 paren across meerdere domeinen | Moeilijkere, documentgerichte testsets onthullen verschillen die verborgen blijven bij eenvoudige zinstests | Resultaten variëren per paar, domein en systeem; geen enkel model wint elke conditie |
| WMT24++ | 55 talen en dialecten; literaire, nieuws-, sociale en spraakdomeinen | De geëvalueerde LLM's leidden de geteste MT-aanbieders across alle 55 talen op de geselecteerde automatische metrieken | De auteurs waarschuwen expliciet dat automatische scores menselijke bevestiging nodig hebben |
| TOWER+ | WMT24++-vertaling plus algemene en instructievolgende evaluaties | Vertalingsgespecialiseerde post-training kan sterke propriëtaire systemen evenaren en tegelijkertijd het volgen van instructies verbeteren | Het artikel evalueert specifieke modelversies en ondersteunde talensets, niet elk huidig API-model |
| WMT24 Metrics Shared Task | Menselijke MQM-gegevens en metrische evaluatie voor Engels–Spaans, Japans–Chinees en Engels–Duits | Fijn afgestemde neurale metrieken blijven nuttig voor de evaluatie van LLM-vertalingen | Automatische metrieken zijn evaluatiehulpmiddelen, geen vervanging voor beoordeling door moedertaalsprekers |
De benchmarktrend is niet “algemene LLM's hebben vertaalsystemen vervangen.” Het is dat de grens steeds minder nuttig wordt. Algemene LLM's kunnen sterke vertalers zijn; gespecialiseerde modellen kunnen de vertaalkwaliteit behouden terwijl ze het volgen van instructies verbeteren; en het winnende systeem verandert nog steeds met de taalrichting en het testontwerp.
WMT25: Moeilijke tests en menselijke evaluatie doen ertoe
De WMT25 General Machine Translation shared task evalueerde 60 systemen in 30 taalparen. Voor de helft van die paren beoordeelden professionele annotatoren de output in vier of vijf domeinen met behulp van Error Span Annotation, waarbij MQM werd gebruikt voor twee paren. De taak verschoof ook verder naar documentniveau-invoer met meerdere alinea's.
Dat ontwerp is belangrijk omdat eenvoudige zinstestsets het volgende kunnen verbergen:
- voornaamwoord- en referentiefouten die alleen tussen alinea's voorkomen;
- terminologiedrift;
- weglatingen op documentniveau;
- domeinspecifieke fouten;
- vloeiende verzinsels; en
- verschillen tussen taalrichtingen met veel en weinig hulpbronnen.
De praktische les is niet om de WMT-ranglijst over te nemen in je toolselectie. Het is om de evaluatiediscipline over te nemen: moeilijk bronmateriaal, meerdere domeinen, documentcontext en menselijke foutannotatie.
WMT24++: Brede taaldekking, met een belangrijke kanttekening
WMT24++ breidde de WMT24-dataset uit naar 55 talen en dialecten, inclusief nieuwe door mensen geschreven referenties en nabewerkte referenties. Het dekt literaire, nieuws-, sociale en spraakinhoud.
Het artikel meldt dat LLM's de best presterende geëvalueerde MT-systemen waren in alle 55 talen onder zijn automatische metrieken. Dat is belangrijk bewijs dat moderne LLM-vertaling niet beperkt is tot een paar Engels-centrische paren.
Maar de auteurs stellen ook dat het resultaat niet mag worden gebruikt voor sterke kwaliteitsconclusies zonder menselijke evaluatie. Automatische metrieken kunnen output belonen die afwijkt van menselijk oordeel, en gemiddelde scores kunnen kritieke fouten in één taalrichting verbergen.
Gebruik WMT24++ om te rechtvaardigen dat LLM's breed worden getest—niet om te verklaren dat een genoemde LLM de beste is voor elke taal.
TOWER+: Vertaalkwaliteit en het opvolgen van instructies zijn verschillende assen
Het TOWER+ paper uit 2026 evalueert vertaalspecifieke en algemene systemen op WMT24++, algemene meertalige benchmarks en een nieuwe IF-MT-benchmark die vertaling combineert met instructies zoals terminologie- en opmaakregels.
De centrale bevinding is nuttig voor echte projecten: het maximaliseren van de ruwe vertaalkwaliteit kan het algemene vermogen om instructies op te volgen schaden. Een vertaalsysteem kan goede zinnen produceren, maar er toch niet in slagen een woordenlijst te volgen, een vereist patroon te behouden of outputbeperkingen na te leven.
TOWER+ meldt dat:
- het 72B-model de vertaalprestaties van TOWER-V2 evenaarde terwijl de algemene capaciteiten sterk verbeterden;
- het 9B-model concurrerend bleef across 24 taalparen;
- het 72B-model concurrerend was met de propriëtaire GPT-4o- en Claude Sonnet-versies die in het paper zijn opgenomen; en
- de prestaties nog steeds veranderden toen de evaluatie werd uitgebreid van talen met veel bronnen naar een bredere talenset.
Dit maakt TOWER+ niet het antwoord voor elke gebruiker. Het bewijst dat zowel 'vertaalkwaliteit' als 'kan betrouwbaar de productie-opdracht volgen' gemeten moeten worden.
Waarom een openbare benchmark je model niet kan kiezen
Een benchmarkresultaat is van toepassing op de:
- exacte modelversie;
- prompt- en decoderingsinstelling;
- taalrichtingen;
- brondomeinen;
- segment- of documentgrenzen;
- referentievetalingen;
- metrieken en menselijk protocol; en
- testdatum.
Je project kan op elke dimensie verschillen. Een model dat leidt in Engels-naar-Duits nieuwsvertaling, leidt misschien niet in Japans-naar-Engels fictie, Arabisch-naar-Frans academisch proza of ondertitelvertaling met timingbeperkingen.
Model-API's veranderen ook. Een leveranciersnaam zoals GPT, Claude, Gemini, Qwen of DeepSeek is geen stabiele experimentele eenheid. Noteer de exacte modelidentificatie en datum.
Wat 'beste' zou moeten betekenen voor jouw vertaling
| Vereiste | Slagend gedrag | Fouten die ertoe doen |
|---|---|---|
| Betekenis | Behoudt beweringen, onzekerheid, relaties en ontkenning | Vloeiende output beweert het tegenovergestelde |
| Volledigheid | Vertaalt elk vereist segment | Alinea, waarschuwing, opmerking of einde verdwijnt |
| Terminologie | Past namen en termen consistent toe | Eén concept krijgt meerdere vertalingen |
| Instructies opvolgen | Volgt woordenlijst-, toon-, opmaak- en outputregels | Voegt commentaar toe of negeert beschermde tokens |
| Context | Lost verwijzingen tussen alinea's op | Voornaamwoorden, entiteiten of relaties gaan schuiven |
| Domeingeschiktheid | Gebruikt passende technische of genrespecifieke taal | Generieke tekst vervangt specialistische betekenis |
| Operationele betrouwbaarheid | Produceert herhaalbare, schone output | Afkapping, weigeringen of herhaalpogingen maken de workflow fragiel |
| Reviewkosten | Fouten zijn beperkt en eenvoudig te inspecteren | Goedkope generatie leidt tot dure correctie |
Voor literair werk komen daar stem, ritme, karakterisering, ambiguïteit en cultureel oordeel bij. Een studie uit 2025, How Good Are LLMs for Literary Translation, Really?, concludeerde dat gepubliceerde menselijke vertalingen in de evaluatie beter presteerden en dat recente LLM-uitvoer de neiging had letterlijker en minder gevarieerd te zijn.
Stel een representatief testcorpus samen
Gebruik passages die je bezit of mag verwerken. Neem op:
| Soort tekst | Aanbevolen omvang | Wat het test |
|---|---|---|
| Gewone proza | 500–1.000 woorden | Basisbetekenis en vlotheid |
| Dialoog | 400–700 woorden | Stem, register, onderbreking en subtekst |
| Terminologierijke tekst | 500–1.000 woorden | Naleving van de woordenlijst en herhaling |
| Gestructureerde inhoud | 300–600 woorden | Koppen, lijsten, tabellen, citaten of markeringen |
| Moeilijke passage | 300–500 woorden | Idioom, ambiguïteit, woordspeling of culturele verwijzing |
| Lang gedeelte of hoofdstuk | 2.000–5.000 woorden | Volledigheid en consistentie tussen alinea's |
Voordat je modellen uitvoert, leg je de brontaal, doeltaal, het domein, vereiste termen, beschermde namen en getallen, bekende valkuilen en de kwalificaties van de beoordelaar vast.
Bevries de prompt en instellingen
Gebruik voor elke kandidaat dezelfde bron, instructies, woordenlijst, segmentatie en herhaalstrategie.
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.
Leg het volgende vast:
- de aanbieder en de exacte modelidentificatie;
- de testdatum en het API- of productoppervlak;
- de systeem- en gebruikersprompts;
- de blootgestelde sampling- of redeneerinstellingen;
- de woordenlijst en stijlregels;
- herhaalpogingen, fouten en afkappingen;
- de ruwe, niet-bewerkte uitvoer; en
- de kosten van invoer, uitvoer en beoordeling.
Als één kandidaat herhaaldelijk handmatige redding nodig heeft, tel dat dan als een productiefout in plaats van het uit de vergelijking te poetsen.
Beoordeel in twee rondes
Ronde 1: Kritieke fouten afwijzen
Wijs af of bestraf zwaar:
- weggelaten of verzonnen inhoud;
- omgekeerde betekenis of verloren ontkenning;
- gewijzigde namen, getallen, eenheden, formules of citaten;
- onvertaalde fragmenten;
- gedupliceerde of afgekapte passages;
- commentaar van de assistent in de vertaling; en
- genegeerde woordenlijst- of uitvoerregels.
Stap 2: vergelijk de kwaliteit
Anonimiseer de resterende uitvoer en vraag gekwalificeerde beoordelaars om ze naast elkaar te vergelijken. Gebruik foutcategorieën zoals nauwkeurigheid, vloeiendheid, terminologie, volledigheid, stem en structuur.
De WMT24 Metrics Shared Task ondersteunt het gebruik van sterke neurale metrieken als onderdeel van de evaluatie, maar geautomatiseerde scoring mag niet de enige rechter zijn. Het is vooral zwak bewijs wanneer de inhoud literair, laagresource, zeer technisch of veiligheidskritisch is.
Test de echte workflow, niet alleen het model
Een model kan een alinea goed vertalen en toch de verkeerde productiekeuze zijn.
Controleer voor een volledig document:
- de eerste en laatste secties aanwezig zijn;
- koppen en alinea-aantallen overeenkomen;
- namen en woordenlijsttermen stabiel blijven;
- geen uitvoer eindigt op een token-grens;
- tabellen, noten en citaten verbonden blijven;
- het gedownloade bestand opent en navigeerbaar is; en
- de totale beoordelings- en hersteltijd acceptabel is.
Voor EPUB, PDF en DOCX verzorgt een speciale bestandspipeline het parsen, segmenteren, reconstrueren en downloaden. BookTranslator biedt die workflow voor ondersteunde boek- en documentformaten. Het model is één component; een sterk model kan een PDF die in de verkeerde volgorde is gelezen of een EPUB met kapotte navigatie niet repareren.
Een praktische selectieregel
Kies alleen een kandidaat als deze aan elke voorwaarde voldoet:
- Geen kritieke betekenis- of volledigheidsfout.
- Sterke voorkeur in de naast-elkaar-vergelijking van gekwalificeerde beoordelaars.
- Stabiele terminologie in het lange voorbeeld.
- Betrouwbare instructieopvolging.
- Schone uitvoer zonder fragiele handmatige redding.
- Acceptabele totale beoordelingskosten.
- Compatibiliteit met de echte document- of ondertitelpipeline.
Als twee modellen dicht bij elkaar liggen, geef dan de voorkeur aan het model met minder kritieke fouten en minder variatie tussen beoordelaars. Overfit niet op een klein verschil in één automatische score.
Voor een volledige boekbeslissing combineert u deze methode met het kader voor AI- versus menselijke boekvertaling. Om volledige bestandsworkflows te vergelijken in plaats van alleen modellen, gebruikt u de gids voor de beste boekvertaaltools.
Gerelateerde berichten
