2026 年最佳翻譯用 LLM：最新基準測試揭示了什麼
沒有放諸四海皆準的最佳翻譯 LLM。看看 WMT25、WMT24++ 和 TOWER+ 顯示了什麼，然後針對你的語言對和內容進行可重現的測試。
簡短回答：沒有放諸四海皆準的最佳 LLM
最佳翻譯 LLM 取決於語言對、領域、文件長度、術語規則，以及什麼算是不容接受的錯誤。近期的權威基準測試顯示，LLM 是強大的翻譯系統，但它們並不支持某個永久性的全球冠軍。
2026 年最站得住腳的結論是：
- 將當前通用型和翻譯專用型模型列入候選名單。
- 測試你所需的確切語言方向和內容類型。
- 在評分流暢度之前，先剔除遺漏、杜撰、數字變動和術語失誤。
- 重要工作請使用合格的人工比較。
- 在真實檔案工作流程中測試模型，而不只是在聊天框裡。
本文不提供 BookTranslator 模型排行榜。我們沒有已發表、可重現的內部語料庫，足以證明指名某個全球冠軍是合理的。相反地，本文說明最新公開基準測試確立了什麼、沒有確立什麼，以及如何進行針對特定專案的評估。
最新翻譯基準測試究竟顯示了什麼
| 基準測試 | 範圍 | 最有用的重要發現 | 重要限制 |
|---|---|---|---|
| WMT25 通用機器翻譯 | 30 個語言對；60 個系統；針對 15 個語言對跨多個領域進行專業人工評估 | 更困難的文件級測試集，揭露了簡單句子測試所隱藏的差異 | 結果因語言對、領域和系統而異；沒有單一模型能在所有條件下勝出 |
| WMT24++ | 55 種語言和方言；文學、新聞、社群和語音領域 | 在所選的自動指標上，受評估的 LLM 在全部 55 種語言中都領先受測試的 MT 供應商 | 作者明確警告，自動分數需要人工確認 |
| TOWER+ | WMT24++ 翻譯，加上通用與指令遵循評估 | 翻譯專用的後訓練可媲美強大的專有系統，同時改善指令遵循能力 | 該論文評估的是特定模型版本與支援的語言集，而非目前所有的 API 模型 |
| WMT24 指標共享任務 | 針對英文–西班牙文、日文–中文與英文–德文的人類 MQM 資料與指標評估 | 微調後的神經指標對於 LLM 翻譯評估依然實用 | 自動指標是評估工具，不能取代目標語言的審閱 |
這股基準測試趨勢並非「通用 LLM 取代了翻譯系統」，而是這條界線正變得越來越沒有意義。通用 LLM 可以是強大的翻譯器；專用模型能在維持翻譯品質的同時改善指令遵循能力；而勝出的系統仍會隨語言方向與測試設計而改變。
WMT25：困難測試與人工評估才是關鍵
WMT25 通用機器翻譯共享任務評估了 30 個語言對中的 60 個系統。在其中半數語言對中，專業標註員使用錯誤跨度標註（Error Span Annotation）針對四到五個領域評估輸出，其中兩個語言對則採用 MQM。該任務也更進一步轉向包含多個段落的文件級輸入。
這樣的設計之所以重要，是因為簡單的句子測試集會掩蓋：
- 只在跨段落時才出現的代名詞與指涉錯誤；
- 術語漂移；
- 文件層級的遺漏；
- 特定領域的失誤；
- 流暢的憑空捏造；以及
- 高資源與低資源語言方向之間的差異。
實務上的啟示並不是把 WMT 排名直接搬進你的工具選擇，而是複製其評估紀律：困難的原文素材、多個領域、文件脈絡，以及人工錯誤標註。
WMT24++：廣泛的語言涵蓋範圍，但有一大但書
WMT24++將 WMT24 資料集擴展至 55 種語言與方言，包括新的人類撰寫參考譯文與後編輯參考譯文。它涵蓋文學、新聞、社群與語音內容。
該論文指出，在其自動指標下，LLM 是所有 55 種語言中表現最佳的受評機器翻譯系統。這是重要證據，顯示現代 LLM 翻譯並不限於少數以英文為中心的語言對。
但作者也聲明，若未經人工評估，不應以此結果做出強烈的品質結論。自動指標可能獎勵與人類判斷相左的輸出，而平均分數可能掩蓋某個語言方向上的重大錯誤。
用 WMT24++ 來支持廣泛測試 LLM 的正當性——而不是宣稱某個具名 LLM 對每種語言都是最佳選擇。
TOWER+：翻譯品質與指令遵循是兩個不同的軸向
2026 年的 TOWER+ 論文 在 WMT24++、通用多語言基準，以及一個結合翻譯與術語、格式規則等指令的全新 IF-MT 基準上，評估了翻譯專用與通用系統。
其核心發現對實際專案很有用：將原始翻譯品質最大化，可能會損害一般的指令遵循能力。翻譯系統可能產出通順的句子，卻無法遵循詞彙表、保留必要格式，或遵守輸出限制。
TOWER+ 指出：
- 其 72B 模型在翻譯表現上與 TOWER-V2 相當，同時大幅提升了通用能力；
- 其 9B 模型在 24 個語言配對中仍具競爭力；
- 72B 模型與論文中納入的專有 GPT-4o 和 Claude Sonnet 版本相比具有競爭力；以及
- 當評估從高資源語言擴展到更廣泛的語言組合時，表現仍會改變。
這並不代表 TOWER+ 是每位使用者的解答。它證明了「翻譯品質」與「能否可靠遵循生產需求」兩者都必須被衡量。
為什麼公開基準無法替你挑選模型
基準結果只適用於其：
- 確切的模型版本；
- 提示與解碼設定；
- 語言方向；
- 來源領域；
- 段落或文件邊界；
- 參考譯文；
- 指標與人工評估流程；以及
- 測試日期。
你的專案可能在每個面向都不同。在英譯德新聞翻譯中領先的模型，未必能在日譯英小說、阿拉伯語譯法語學術文章，或帶有時間限制的字幕翻譯中領先。
模型 API 也會改變。GPT、Claude、Gemini、Qwen 或 DeepSeek 等供應商名稱並非穩定的實驗單位。請記錄確切的模型識別碼與日期。
對你的翻譯而言，「最佳」應該代表什麼
| 需求 | 通過行為 | 真正要緊的失誤 |
|---|---|---|
| 語意 | 保留主張、不確定性、關係與否定 | 流暢的譯文卻表達了相反的意思 |
| 完整性 | 翻譯每一個必要的段落 | 段落、警告、註記或結尾消失 |
| 術語 | 一致地套用名稱與術語 | 同一個概念出現多種譯法 |
| 指令遵循 | 遵守詞彙表、語氣、格式與輸出規則 | 加入評論或忽略受保護的權杖 |
| 上下文 | 跨段落解析指涉 | 代名詞、實體或關係出現漂移 |
| 領域契合度 | 使用適當的技術或文類語言 | 通用文句取代了專業意涵 |
| 作業可靠性 | 產出可重現且乾淨的輸出 | 截斷、拒答或重試讓工作流程變得脆弱 |
| 審閱成本 | 錯誤有限且易於檢查 | 廉價的生成，換來昂貴的修正 |
就文學作品而言，還須兼顧語氣、節奏、人物刻畫、歧義與文化判斷。2025 年的一項研究〈How Good Are LLMs for Literary Translation, Really?〉發現，在其評估中，已出版的人類譯本表現較佳，而近期 LLM 的輸出往往更為直譯、變化也更少。
建立具代表性的測試語料庫
使用你擁有或獲准處理的段落。應包含：
| 樣本 | 建議字數 | 考驗重點 |
|---|---|---|
| 一般散文 | 500–1,000 字 | 基本語意與流暢度 |
| 對話 | 400–700 字 | 語氣、語域、打斷與言外之意 |
| 術語密集的文本 | 500–1,000 字 | 術語表遵循度與重複情形 |
| 結構化內容 | 300–600 字 | 標題、清單、表格、引註或標記 |
| 困難段落 | 300–500 字 | 慣用語、歧義、文字遊戲或文化典故 |
| 長篇段落或章節 | 2,000–5,000 字 | 完整性與跨段落一致性 |
在執行模型之前，先記錄來源語言、目標語言、領域、必要術語、受保護的名稱與數字、已知陷阱，以及審閱者的資格。
凍結提示詞與設定
對每個候選模型使用相同的來源、指示、詞彙表、分段方式與重試策略。
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.
記錄：
- 供應商與確切的模型識別碼；
- 測試日期與 API 或產品介面；
- 系統與使用者提示詞；
- 所揭露的取樣或推理設定；
- 詞彙表與風格規則；
- 重試、失敗與截斷情形；
- 未經編輯的原始輸出；以及
- 輸入、輸出與審閱成本。
如果某個候選模型需要反覆人工搶救，應將其計為生產失敗，而不是把它從比較中清理掉。
以兩輪方式審閱
第一輪：剔除重大失敗
剔除或大幅扣分：
- 遺漏或憑空捏造的內容；
- 語意反轉或否定遺失；
- 名稱、數字、單位、公式或引註遭到更動；
- 未翻譯的片段；
- 重複或截斷的段落；
- 譯文內出現助理的評論；以及
- 忽略詞彙表或輸出規則。
第二階段：比較品質
將剩餘的輸出匿名處理，並請合格的審閱者並排比較。使用準確性、流暢度、術語、完整性、語氣和結構等錯誤類別。
WMT24 指標共享任務支持將強大的神經指標作為評估的一部分，但不應以自動評分作為唯一評判標準。當內容屬於文學性、低資源、高度技術性或安全關鍵性時，其證據力尤其薄弱。
測試真實工作流程，而不只是模型
一個模型可以將段落翻譯得很好，卻仍然是錯誤的生產選擇。
對於完整文件，請驗證：
- 第一段和最後一段都存在；
- 標題和段落數量相符；
- 名稱和詞彙表術語保持穩定；
- 沒有輸出在詞元邊界處結束；
- 表格、註釋和引用保持連接；
- 下載的檔案可以開啟並瀏覽；以及
- 總審閱和修復時間是可接受的。
對於 EPUB、PDF 和 DOCX，專用的檔案處理流程負責解析、分段、重建和下載。BookTranslator 為支援的書籍和文件格式提供該工作流程。模型只是其中一個組成部分；再強大的模型也無法修復以錯誤順序讀取的 PDF 或重建後導航損壞的 EPUB。
實用的選擇規則
僅當候選模型滿足每一道關卡時才選擇它：
- 沒有關鍵含義或完整性失誤。
- 合格審閱者給予強烈的並排偏好。
- 在長樣本中術語穩定。
- 可靠的指令遵循能力。
- 輸出乾淨，無需脆弱的人工補救。
- 總審閱成本可接受。
- 與真實文件或字幕處理流程相容。
如果兩個模型表現接近，優先選擇關鍵錯誤較少且審閱者之間差異較小的那個。不要過度擬合某一自動評分中的微小差異。
若要為整本書的翻譯做出完整決定，請將此方法與AI 與真人書籍翻譯比較框架搭配使用。若想比較完整的檔案處理流程，而不只是模型本身，請參閱最佳書籍翻譯工具指南。
