LLM tốt nhất cho dịch thuật năm 2026: Những gì các benchmark mới nhất cho thấy

Câu trả lời ngắn gọn: Không có một LLM tốt nhất chung

LLM tốt nhất cho dịch thuật phụ thuộc vào cặp ngôn ngữ, lĩnh vực, độ dài tài liệu, quy tắc thuật ngữ và điều gì được coi là lỗi không thể chấp nhận. Các benchmark có thẩm quyền gần đây cho thấy LLM là những hệ thống dịch mạnh, nhưng chúng không ủng hộ một người thắng toàn cầu cố định nào.

Kết luận đáng tin cậy nhất cho năm 2026 là:

1. Lập danh sách rút gọn các mô hình đa dụng và chuyên dịch thuật hiện hành.
2. Kiểm tra đúng chiều ngôn ngữ và loại nội dung bạn cần.
3. Loại bỏ các lỗi bỏ sót, bịa đặt, thay đổi số liệu và sai thuật ngữ trước khi chấm điểm độ trôi chảy.
4. Dùng so sánh của người có chuyên môn cho công việc quan trọng.
5. Kiểm tra mô hình trong quy trình xử lý tệp thực tế, không chỉ trong ô chat.

Bài viết này không trình bày bảng xếp hạng mô hình của BookTranslator. Chúng tôi không có kho ngữ liệu nội bộ đã công bố và có thể tái lập để biện minh cho việc nêu tên một người thắng chung. Thay vào đó, bài viết giải thích những gì các benchmark công khai mới nhất xác lập, những gì chúng không xác lập, và cách chạy đánh giá riêng cho từng dự án.

Các benchmark dịch thuật mới nhất thực sự cho thấy điều gì

Xu hướng đánh giá không phải là “các LLM tổng quát đã thay thế hệ thống dịch thuật.” Mà là ranh giới đó đang trở nên ít hữu ích hơn. Các LLM tổng quát có thể là những dịch giả mạnh mẽ; các mô hình chuyên biệt có thể duy trì chất lượng dịch thuật trong khi cải thiện khả năng tuân theo chỉ dẫn; và hệ thống chiến thắng vẫn thay đổi tùy theo cặp ngôn ngữ và thiết kế bài kiểm tra.

WMT25: Các bài kiểm tra khó và đánh giá của con người rất quan trọng

Nhiệm vụ chia sẻ về dịch máy tổng quát WMT25 đã đánh giá 60 hệ thống trên 30 cặp ngôn ngữ. Với một nửa số cặp đó, các chuyên gia chú giải đã đánh giá kết quả đầu ra trên bốn hoặc năm lĩnh vực bằng Phương pháp Chú giải Khoảng lỗi, với MQM được sử dụng cho hai cặp. Nhiệm vụ này cũng chuyển dịch hơn nữa sang đầu vào cấp độ tài liệu chứa nhiều đoạn văn.

Thiết kế đó quan trọng vì các bộ kiểm tra câu dễ có thể che giấu:

• lỗi đại từ và tham chiếu chỉ xuất hiện giữa các đoạn văn;
• sự trôi dạt thuật ngữ;
• thiếu sót ở cấp độ tài liệu;
• thất bại đặc thù theo lĩnh vực;
• những sáng tạo trôi chảy; và
• sự khác biệt giữa các cặp ngôn ngữ có nguồn lực cao và thấp.

Bài học thực tiễn không phải là sao chép bảng xếp hạng WMT vào việc lựa chọn công cụ của bạn. Mà là sao chép kỷ luật đánh giá: tài liệu nguồn khó, nhiều lĩnh vực, ngữ cảnh tài liệu và chú giải lỗi bởi con người.

WMT24++: Phạm vi ngôn ngữ rộng, với một lưu ý lớn

WMT24++ đã mở rộng bộ dữ liệu WMT24 lên 55 ngôn ngữ và phương ngữ, bao gồm các tham chiếu mới do con người viết và tham chiếu sau biên tập. Nó bao quát nội dung văn học, tin tức, xã hội và lời nói.

Bài báo báo cáo rằng các LLM là những hệ thống dịch máy được đánh giá có hiệu suất tốt nhất ở cả 55 ngôn ngữ theo các chỉ số tự động của nó. Đó là bằng chứng quan trọng cho thấy dịch thuật bằng LLM hiện đại không chỉ giới hạn ở một vài cặp ngôn ngữ lấy tiếng Anh làm trung tâm.

Nhưng các tác giả cũng nêu rõ rằng kết quả này không nên được dùng để đưa ra kết luận mạnh mẽ về chất lượng nếu không có đánh giá của con người. Các chỉ số tự động có thể thưởng cho những kết quả khác với phán đoán của con người, và điểm trung bình có thể che giấu những lỗi nghiêm trọng ở một cặp ngôn ngữ.

Hãy dùng WMT24++ để biện minh cho việc kiểm tra các LLM một cách rộng rãi—không phải để tuyên bố rằng bất kỳ LLM được nêu tên nào là tốt nhất cho mọi ngôn ngữ.

TOWER+: Chất lượng dịch và khả năng tuân thủ chỉ dẫn là hai trục khác nhau

Bài báo TOWER+ năm 2026 đánh giá các hệ thống chuyên cho dịch thuật và các hệ thống đa dụng trên WMT24++, các bộ đánh giá đa ngôn ngữ tổng quát, và một bộ đánh giá IF-MT mới kết hợp dịch thuật với các chỉ dẫn như thuật ngữ và quy tắc định dạng.

Phát hiện trung tâm của nó hữu ích cho các dự án thực tế: tối đa hóa chất lượng dịch thô có thể làm tổn hại khả năng tuân thủ chỉ dẫn nói chung. Một hệ thống dịch có thể tạo ra những câu văn hay nhưng lại không tuân theo bảng thuật ngữ, không giữ đúng một mẫu bắt buộc, hoặc không tuân thủ các ràng buộc đầu ra.

TOWER+ báo cáo rằng:

• mô hình 72B của nó đạt hiệu năng dịch ngang bằng TOWER-V2 trong khi cải thiện đáng kể các năng lực tổng quát;
• mô hình 9B của nó vẫn cạnh tranh trên 24 cặp ngôn ngữ;
• mô hình 72B cạnh tranh với các phiên bản độc quyền GPT-4o và Claude Sonnet được đưa vào bài báo; và
• hiệu năng vẫn thay đổi khi mở rộng đánh giá từ các ngôn ngữ giàu tài nguyên sang một tập ngôn ngữ rộng hơn.

Điều này không biến TOWER+ thành câu trả lời cho mọi người dùng. Nó chứng minh rằng “chất lượng dịch” và “có thể tuân thủ đáng tin cậy bản yêu cầu sản xuất” đều phải được đo lường.

Vì sao một bộ đánh giá công khai không thể chọn mô hình thay bạn

Kết quả đánh giá chỉ áp dụng cho:

• phiên bản mô hình chính xác;
• thiết lập prompt và giải mã;
• các hướng ngôn ngữ;
• các lĩnh vực nguồn;
• ranh giới phân đoạn hoặc văn bản;
• bản dịch tham chiếu;
• các chỉ số và quy trình đánh giá của con người; và
• ngày kiểm tra.

Dự án của bạn có thể khác ở mọi khía cạnh. Một mô hình dẫn đầu trong dịch tin tức Anh sang Đức có thể không dẫn đầu trong dịch tiểu thuyết Nhật sang Anh, văn xuôi học thuật Ả Rập sang Pháp, hay dịch phụ đề với ràng buộc về thời gian.

API của mô hình cũng thay đổi. Một tên nhà cung cấp như GPT, Claude, Gemini, Qwen hay DeepSeek không phải là một đơn vị thí nghiệm ổn định. Hãy ghi lại mã định danh mô hình chính xác và ngày tháng.

“Tốt nhất” nên có nghĩa gì cho bản dịch của bạn

Với tác phẩm văn học, còn phải thêm giọng điệu, nhịp điệu, khắc họa nhân vật, sự mơ hồ và phán đoán văn hóa. Một nghiên cứu năm 2025, How Good Are LLMs for Literary Translation, Really?, phát hiện rằng các bản dịch do con người xuất bản đạt kết quả tốt hơn trong đánh giá của họ và đầu ra của LLM gần đây có xu hướng sát nghĩa hơn và kém đa dạng hơn.

Xây dựng một tập ngữ liệu kiểm thử đại diện

Hãy dùng những đoạn văn bạn sở hữu hoặc được phép xử lý. Bao gồm:

Trước khi chạy các mô hình, hãy ghi lại ngôn ngữ nguồn, ngôn ngữ đích, lĩnh vực, các thuật ngữ bắt buộc, tên riêng và số được bảo vệ, các cạm bẫy đã biết và trình độ của người đánh giá.

Cố định Prompt và Cài đặt

Sử dụng cùng một nguồn, hướng dẫn, bảng thuật ngữ, cách phân đoạn và chính sách thử lại cho mọi ứng viên.

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.

Ghi lại:

• nhà cung cấp và mã định danh mô hình chính xác;
• ngày kiểm thử và giao diện API hoặc sản phẩm;
• prompt hệ thống và prompt người dùng;
• các cài đặt lấy mẫu hoặc suy luận được hiển thị;
• bảng thuật ngữ và quy tắc phong cách;
• các lần thử lại, lỗi và đoạn bị cắt ngắn;
• đầu ra thô chưa chỉnh sửa; và
• chi phí đầu vào, đầu ra và đánh giá.

Nếu một ứng viên cần can thiệp thủ công nhiều lần, hãy tính đó là lỗi trong môi trường sản xuất thay vì loại bỏ nó khỏi so sánh.

Đánh giá theo Hai Lượt

Lượt 1: Loại bỏ các lỗi nghiêm trọng

Loại bỏ hoặc trừ điểm nặng với:

• nội dung bị bỏ sót hoặc bịa đặt;
• ý nghĩa bị đảo ngược hoặc mất phủ định;
• tên, số, đơn vị, công thức hoặc trích dẫn bị thay đổi;
• các đoạn chưa được dịch;
• các đoạn bị lặp lại hoặc bị cắt ngắn;
• bình luận của trợ lý nằm trong bản dịch; và
• bỏ qua bảng thuật ngữ hoặc quy tắc đầu ra.

Lượt 2: So sánh chất lượng

Ẩn danh các kết quả còn lại và yêu cầu những người đánh giá đủ trình độ so sánh chúng cạnh nhau. Sử dụng các nhóm lỗi như độ chính xác, độ trôi chảy, thuật ngữ, tính đầy đủ, giọng điệu và cấu trúc.

WMT24 Metrics Shared Task ủng hộ việc dùng các chỉ số neural mạnh mẽ như một phần của quá trình đánh giá, nhưng không nên coi điểm số tự động là thẩm phán duy nhất. Đây là bằng chứng đặc biệt yếu khi nội dung mang tính văn học, ít tài nguyên, có tính kỹ thuật cao hoặc liên quan đến an toàn.

Kiểm tra quy trình thực tế, không chỉ mô hình

Một mô hình có thể dịch tốt một đoạn văn mà vẫn là lựa chọn sản xuất sai lầm.

Với một tài liệu đầy đủ, hãy xác minh:

• phần đầu và phần cuối đều hiện diện;
• số lượng tiêu đề và đoạn văn khớp nhau;
• tên riêng và thuật ngữ trong bảng thuật ngữ vẫn ổn định;
• không có kết quả nào kết thúc giữa chừng ở ranh giới token;
• bảng, ghi chú và trích dẫn vẫn được kết nối;
• tệp tải xuống mở được và điều hướng được; và
• tổng thời gian xem xét và sửa chữa là chấp nhận được.

Với EPUB, PDF và DOCX, một pipeline chuyên dụng cho tệp sẽ xử lý việc phân tích cú pháp, phân đoạn, tái cấu trúc và tải xuống. BookTranslator cung cấp quy trình đó cho các định dạng sách và tài liệu được hỗ trợ. Mô hình chỉ là một thành phần; một mô hình mạnh cũng không thể sửa được một tệp PDF bị đọc sai thứ tự hay một tệp EPUB được tái tạo với điều hướng hỏng.

Một quy tắc lựa chọn thực tế

Chỉ chọn một ứng viên nếu nó đáp ứng mọi điều kiện:

1. Không có lỗi nghiêm trọng về ý nghĩa hoặc tính đầy đủ.
2. Được những người đánh giá đủ trình độ ưu tiên rõ rệt khi so sánh cạnh nhau.
3. Thuật ngữ ổn định trong mẫu dài.
4. Tuân thủ hướng dẫn một cách đáng tin cậy.
5. Kết quả sạch sẽ, không cần cứu chữa thủ công mong manh.
6. Tổng chi phí xem xét ở mức chấp nhận được.
7. Tương thích với pipeline tài liệu hoặc phụ đề thực tế.

Nếu hai mô hình ngang nhau, hãy chọn mô hình có ít lỗi nghiêm trọng hơn và ít biến động hơn giữa các người đánh giá. Đừng quá khớp với một khác biệt nhỏ trong một điểm số tự động.

Để đưa ra quyết định trọn vẹn cho cả một cuốn sách, hãy kết hợp phương pháp này với khung so sánh dịch sách bằng AI và bằng người. Nếu muốn so sánh toàn bộ quy trình xử lý tệp thay vì chỉ riêng các mô hình, hãy tham khảo hướng dẫn về những công cụ dịch sách tốt nhất.