首个AI翻译实战榜单出炉！GPT-4o稳坐天花板，Qwen擅长文化丨开源

衡宇 发自 凹非寺
量子位 | 公众号 QbitAI

AI替咱打工搞翻译，到底谁家最好用？

终于，有人来统一翻译江湖的标准了：首个应用型AI翻译测评榜单TransBench在OpenCompass上线。

它由阿里国际AI Business团队联合上海人工智能实验室、北京语言大学共同发布。

与传统的翻译测评体系相比，TransBench增加了幻觉率、文化禁忌词、敬语规范等指标，专门针对大模型翻译最容易出错的关键问题进行实战考核。

比如：

• 翻得挺溜但张口就编，这就得算“幻觉”；
• 翻得准确却冒犯了当地文化，那也是“翻译事故”；
• 甚至你在客服场景里少说一句“please”，都可能让用户不爽。

这是首次针对行业的细分领域构建评测数据和评测方法。这些指标均来自真实场景的使用反馈，由此来测评大模型是否符合大规模应用的标准。

目前，TransBench评测方法与数据集已全面开源，也已发布了首期测评结果。

欢迎各个AI翻译机构去打榜，一较高下～

GPT-4o稳坐“翻译AI天花板”

官网表示，TransBench数据集中涵盖中、英、法、日、韩、西班牙等多种语言。

此外，还在不断持续更新海量小语种。

TransBench评测体系中的数据集，根据“通用标准”“电商文化”“文化特性”三个大类，整理了不同的数据集。

目前，TransBench多语言翻译评测榜单首期已经出炉。

评测榜单从“综合得分”“通用标准”“电商文化”“文化特性”四个维度来给每个模型的翻译能力打分。

其中，综合得分是模型在评测数据集的三大维度的综合平均得分。为了保证数值可被平均，榜单对不同得分进行了数值缩放。

我们查看并整理了“英语翻译为其它语言”和“中文翻译为其它语言”两个榜单的模型能力。

英语翻译为其它语言

这个条件下，综合得分和通用标准的得分前三，都分别是：

• 第一：GPT-4o
• 第二：DeepL Translate
• 第三：GPT-4-Turbo

其中比较特别的是DeepL Translate，上个月底刚刚发布。

和前三名的另外两位不同，这是一个专门的机器翻译（MT，Machine Translation）模型，而不是通用大语言模型。

在电商行业，DeepSeek-R1的翻译能力杀入榜单前三：

而在文化特性方面，Qwen系列一马当先。

Qwen2.5-0.5B-Instruct和Qwen2.5-1.5B-Instruct分别位居第一第二，同时第三名花落EuroLLM-1.7B-Instruct。

大家可能对EuroLLM-1.7B-Instruct相对陌生，它是由多个欧洲研究机构联合开发的开源多语言大模型，涵盖35种语言，旨在支持所有欧盟官方语言以及其他主要语言。

中文翻译为其它语言

同样，在中文翻译为其它语言这条赛道上，综合得分和通用标准的排名相同：

• 第一：GPT-4o
• 第二：DeepSeek-V3
• 第三：Claude-3.5-Sonnet

在电商行业，拿下第一的是均值得分4.420的DeepSeek-V3。

紧随其后的才是Gemini-2.5-Pro和Claude-3.5-Sonnet。

最后一项文化特性，Qwen系列的表现同样出色。

榜单前三分别是Qwen2.5-0.5B-Instruct、Llama-3.3-70B-Instruct、Qwen2.5-1.5B-Instruct。

三大维度打造翻译大模型实战考卷

随着AI大模型加速落地，翻译模型也进入“比谁更好用”的时代。

相应的，业内也对大模型翻译效果有了更高的要求，比如要符合不同地区的文化特性、能体现不同行业的语言特色等。

但问题来了——怎么判断一个AI翻译模型到底好不好用？

传统的翻译测评维度，主要关注通用质量（如BLEU、COMET），难以反映真实使用场景中对语义准确性、文化合规性、用户体验的高要求。

并且，大模型时代的AI翻译往往面临幻觉等更多问题。

也就是说，传统的翻译测评维度在今天已经不适用了。

为此，阿里国际AI Business团队联合上海人工智能实验室、北京语言大学一起，构建了更全面、最新的评测标准和规范TransBench。

它从三大维度，重新定义翻译测评：

第一，全面的通用标准。

不仅包括通用质量，还新增幻觉率和鲁棒性评测。

第二，行业垂直标准。

这是首次针对行业的细分领域构建评测数据和评测方法，数据均来自行业细分领域真实数据，并利用语言专家在应用中的标注数据训练面向行业的打分模型。

第三，跨文化特性标准。

首次提出文化禁忌和敬语规范的评测数据和评测方法。

举个例子！

电商场景下的用户投诉，通常与敬语、禁忌语等相关。

这些翻译结果从字面意思看无误，但会直接影响到对话人的体验，应该被纳入到测评的范围中。

从阿里国际自研翻译大模型真实用户反馈中总结提炼

其实，早在去年10月，阿里国际的AI Business团队就发布了首个大规模商用的翻译大模型Marco MT，其效果赶超Google、DeepL等头部AI翻译工具。

截至目前，Marco MT的日均调用量为6亿次，是电商领域使用量最大的翻译大模型。

而TransBench的测评体系，正是基于Marco MT在全球真实用户反馈中总结提炼而来。

因此，构建TransBench这件事中有阿里国际的身影就很好理解了。

当然，除了有业界认可的领先技术外，业务需求也是其中原因之一。

阿里国际旗下有Aliexpress、Lazada、Alibaba.com、Trendyol及Daraz等电商业务，覆盖全球200多个国家和地区，多语言翻译是助力业务发展的重要一环。

根据公开信息，2023年3月，阿里国际成立了AI Business，基于全球化电商场景探索AI技术。

现在，阿里国际的所有电商平台均已广泛应用AI能力，已服务了超50万卖家，形成了以服务中小企业出海为核心，覆盖全球多元市场、多种电商模式的规模级AI应用。

目前，TransBench的测评方法进行了开源，评测结果也将持续更新。

BTW：

最近启动的2026届校招中，阿里国际放出的岗位，80%是AI岗位，包括AI算法、研发、AI产品经理等。

有兴趣的同学欢迎投递～

测评网址：

https://transbench.com/#/?lang=zh-cn