Melhor LLM para Tradução em 2026: O Que os Últimos Benchmarks Mostram

A Resposta Curta: Não Existe um Melhor LLM Universal

O melhor LLM para tradução depende do par de línguas, do domínio, da extensão do documento, das regras de terminologia e do que é considerado um erro inaceitável. Benchmarks autoritativos recentes mostram que os LLMs são sistemas de tradução robustos, mas não sustentam um vencedor global permanente.

A conclusão mais defensável para 2026 é:

1. Selecionar modelos atuais de uso geral e especializados em tradução.
2. Testar exatamente a direção linguística e o tipo de conteúdo de que necessita.
3. Rejeitar omissões, invenções, números alterados e falhas de terminologia antes de avaliar a fluência.
4. Recorrer à comparação por tradutores humanos qualificados para trabalhos importantes.
5. Testar o modelo dentro do fluxo de trabalho real com ficheiros, não apenas numa caixa de chat.

Este artigo não apresenta uma tabela classificativa de modelos do BookTranslator. Não dispomos de um corpus interno publicado e reproduzível que justificasse nomear um vencedor universal. Em vez disso, explica o que os últimos benchmarks públicos estabelecem, o que não estabelecem e como realizar uma avaliação específica para cada projeto.

O Que os Últimos Benchmarks de Tradução Mostram Realmente

A tendência dos benchmarks não é «os LLM gerais substituíram os sistemas de tradução». É que a fronteira está a tornar-se menos útil. Os LLM gerais podem ser tradutores fortes; os modelos especializados podem manter a qualidade de tradução e, ao mesmo tempo, melhorar o seguimento de instruções; e o sistema vencedor continua a mudar consoante o par de línguas e o desenho do teste.

WMT25: Testes Difíceis e a Avaliação Humana Importam

A tarefa partilhada de Tradução Automática Geral do WMT25 avaliou 60 sistemas em 30 pares de línguas. Para metade desses pares, anotadores profissionais avaliaram os resultados em quatro ou cinco domínios utilizando Error Span Annotation, com MQM usado para dois pares. A tarefa avançou também no sentido de entradas ao nível do documento, contendo vários parágrafos.

Este desenho é importante porque os conjuntos de testes de frases fáceis podem ocultar:

• erros de pronomes e de referência que só aparecem entre parágrafos;
• deriva terminológica;
• omissões ao nível do documento;
• falhas específicas de domínio;
• invenções fluentes; e
• diferenças entre pares de línguas de recursos elevados e reduzidos.

A lição prática não é copiar o ranking do WMT para a seleção da sua ferramenta. É copiar a disciplina de avaliação: material de origem difícil, vários domínios, contexto do documento e anotação humana de erros.

WMT24++: Cobertura Linguística Ampla, com uma Ressalva Importante

O WMT24++ expandiu o conjunto de dados WMT24 para 55 línguas e dialetos, incluindo novas referências escritas por humanos e referências pós-editadas. Abrange conteúdo literário, noticioso, social e de discurso.

O artigo relata que os LLM foram os sistemas de TA avaliados com melhor desempenho em todas as 55 línguas segundo as suas métricas automáticas. Isto é uma evidência importante de que a tradução moderna por LLM não se limita a alguns pares centrados no inglês.

Mas os autores também afirmam que o resultado não deve ser usado para conclusões fortes sobre qualidade sem avaliação humana. As métricas automáticas podem recompensar resultados que divergem do julgamento humano, e as pontuações médias podem ocultar erros críticos num determinado par de línguas.

Use o WMT24++ para justificar testes amplos com LLM — não para declarar que qualquer LLM nomeado é o melhor para todas as línguas.

TOWER+: A Qualidade de Tradução e o Cumprimento de Instruções São Eixos Diferentes

O artigo do TOWER+ de 2026 avalia sistemas específicos de tradução e de uso geral no WMT24++, em benchmarks multilingues gerais e num novo benchmark IF-MT que combina tradução com instruções como regras de terminologia e formatação.

A sua conclusão central é útil para projetos reais: maximizar a qualidade bruta da tradução pode prejudicar a capacidade geral de seguir instruções. Um sistema de tradução pode produzir boas frases e, ao mesmo tempo, falhar no cumprimento de um glossário, na preservação de um padrão obrigatório ou no respeito por restrições de saída.

O TOWER+ relata que:

• o seu modelo de 72B igualou o desempenho de tradução do TOWER-V2, melhorando consideravelmente as capacidades gerais;
• o seu modelo de 9B manteve-se competitivo em 24 pares de línguas;
• o modelo de 72B foi competitivo com as versões proprietárias do GPT-4o e do Claude Sonnet incluídas no artigo; e
• o desempenho continuou a mudar quando a avaliação passou de línguas com muitos recursos para um conjunto mais amplo de línguas.

Isto não faz do TOWER+ a resposta para todos os utilizadores. Prova que tanto a «qualidade da tradução» como a capacidade de «seguir fiavelmente o briefing de produção» têm de ser medidas.

Porque é que um Benchmark Público Não Pode Escolher o Seu Modelo

O resultado de um benchmark aplica-se à sua:

• versão exata do modelo;
• configuração de prompt e descodificação;
• direção linguística;
• domínios de origem;
• fronteiras de segmento ou documento;
• traduções de referência;
• métricas e protocolo humano; e
• data do teste.

O seu projeto pode diferir em todas as dimensões. Um modelo que lidera a tradução de notícias de inglês para alemão pode não liderar ficção de japonês para inglês, prosa académica de árabe para francês ou tradução de legendas com restrições de sincronização.

As APIs dos modelos também mudam. Um nome de fornecedor como GPT, Claude, Gemini, Qwen ou DeepSeek não é uma unidade experimental estável. Registe o identificador exato do modelo e a data.

O Que «Melhor» Deve Significar para a Sua Tradução

Para trabalhos literários, acrescente voz, ritmo, caracterização, ambiguidade e juízo cultural. Um estudo de 2025, How Good Are LLMs for Literary Translation, Really?, concluiu que as traduções humanas publicadas tiveram melhor desempenho na sua avaliação e que os resultados recentes dos LLM tendiam a ser mais literais e menos diversificados.

Construir um corpus de teste representativo

Utilize passagens que lhe pertençam ou que esteja autorizado a processar. Inclua:

Antes de executar os modelos, registe a língua de origem, a língua de destino, o domínio, os termos obrigatórios, os nomes e números protegidos, as armadilhas conhecidas e as qualificações do revisor.

Fixe o prompt e as definições

Utilize a mesma fonte, instruções, glossário, segmentação e política de repetição para todos os candidatos.

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.

Registe:

• o fornecedor e o identificador exato do modelo;
• a data do teste e a interface de API ou de produto;
• os prompts de sistema e de utilizador;
• as definições de amostragem ou de raciocínio expostas;
• o glossário e as regras de estilo;
• as repetições, falhas e truncagens;
• os resultados em bruto não editados; e
• o custo de entrada, de saída e de revisão.

Se um candidato necessitar de repetidas intervenções manuais de salvamento, considere isso uma falha de produção em vez de o limpar da comparação.

Reveja em duas passagens

Passagem 1: rejeite falhas críticas

Rejeite ou penalize fortemente:

• conteúdo omitido ou inventado;
• significado invertido ou negação perdida;
• nomes, números, unidades, fórmulas ou citações alterados;
• fragmentos não traduzidos;
• passagens duplicadas ou truncadas;
• comentários do assistente dentro da tradução; e
• glossário ou regras de saída ignorados.

Passo 2: Comparar a qualidade

Anonimize os restantes resultados e peça a revisores qualificados que os comparem lado a lado. Utilize categorias de erro como exatidão, fluência, terminologia, completude, voz e estrutura.

A WMT24 Metrics Shared Task apoia a utilização de métricas neuronais robustas como parte da avaliação, mas a pontuação automática não deve ser o único juiz. É uma evidência especialmente fraca quando o conteúdo é literário, de baixos recursos, altamente técnico ou crítico para a segurança.

Teste o Fluxo de Trabalho Real, Não Apenas o Modelo

Um modelo pode traduzir bem um parágrafo e ainda assim ser a escolha errada para produção.

Para um documento completo, verifique:

• as primeiras e as últimas secções estão presentes;
• os títulos e a contagem de parágrafos são coerentes;
• os nomes e os termos do glossário permanecem estáveis;
• nenhum resultado termina num limite de token;
• as tabelas, as notas e as citações permanecem ligadas;
• o ficheiro descarregado abre e permite navegar; e
• o tempo total de revisão e correção é aceitável.

Para EPUB, PDF e DOCX, um pipeline de ficheiros dedicado trata da análise, segmentação, reconstrução e descarregamento. O BookTranslator proporciona esse fluxo de trabalho para os formatos de livros e documentos suportados. O modelo é um componente; um modelo robusto não consegue corrigir um PDF lido pela ordem errada ou um EPUB reconstruído com navegação danificada.

Uma Regra Prática de Seleção

Escolha um candidato apenas se este cumprir todos os critérios:

1. Nenhuma falha crítica de significado ou de completude.
2. Forte preferência lado a lado por parte de revisores qualificados.
3. Terminologia estável na amostra longa.
4. Seguimento fiável de instruções.
5. Resultado limpo, sem necessidade de correções manuais frágeis.
6. Custo total de revisão aceitável.
7. Compatibilidade com o pipeline real de documentos ou de legendas.

Se dois modelos estiverem próximos, prefira o que tiver menos erros críticos e menor variação entre revisores. Não faça overfitting a uma pequena diferença numa única pontuação automática.

Para uma decisão sobre um livro completo, combine este método com o quadro de comparação entre tradução de livros por IA e por humanos. Para comparar fluxos de trabalho de ficheiros completos em vez de apenas modelos, utilize o guia das melhores ferramentas de tradução de livros.