大模型翻译，没有想象中好用
大语言模型让机器翻译的上限大幅提高，但并不意味着随便接上一个 API 就能得到合格的译文。目前市面上大量翻译产品直接把原文丢给大模型，拿到结果就输出。这样做速度很快，但翻译质量经常让人一言难尽。
最常见的几类问题：
- 人名地名翻译错误。大模型缺少上下文时，经常把 Washington 译成"华盛顿"而非人名语境下的"沃辛顿"，把 Cambridge 在不同场景下混淆美国和英国的对应译法。专有名词的翻译需要结合领域和语境判断，而不是按高频用法一刀切。
- 翻译腔严重。"这是一个非常重要的事情，它使得我们能够更好地理解这个问题。"——这种句子语法上没有错，但没有中国人会这么说话。大模型如果不加干预，非常容易产出这类结构完整但表达生硬的译文。
- 长句不拆分。英文中一个句子带三四个从句很常见，直接翻译成中文就变成了一段拗口的长句。合格的翻译应该把复合句拆成几个短句，让读者不用回头重读。
- 语序照搬。英文先说修饰成分再说主体（"The report released by the committee last Friday shows..."），中文习惯先说主体再说修饰（"委员会上周五发布的报告显示..."）。照搬原文语序的译文，读着像是在做阅读理解。
同样的大模型，为什么效果差距这么大
一个常见的误解是：翻译质量取决于用了哪个大模型。实际上，同一个模型在不同的 prompt、上下文策略和后处理流程下，产出的译文质量可以相差很远。
直接调用大模型翻译，就像拿到一位外语水平不错的人，但不告诉他这篇文章的背景、不告诉他读者是谁、不告诉他应该用什么文体。他能翻，但翻出来的东西必然是泛泛的、缺少针对性的。
要让大模型产出自然流畅的译文，至少需要在以下几个层面做工作：
- 上下文感知。翻译一个段落时，需要让模型看到前后文，而不是孤立地一句一句翻。否则代词指代不清、术语前后不一致的问题无法避免。
- 领域适配。科技文章、法律文书、新闻报道、文学作品，对翻译风格的要求完全不同。通用的翻译 prompt 无法覆盖这些差异。
- 译后校正。大模型的输出需要经过检查和润色，尤其是专有名词、数字、引用等容易出错的部分。
这些都不是简单调用一次 API 就能完成的。
"信达雅"之外，还有更科学的翻译标准
很多人评价翻译质量时会引用严复的"信达雅"。这个提法在 19 世纪末有开创意义，但放到今天已经不够用了。"信"（忠实）、"达"（通顺）、"雅"（优美）是三个模糊的、主观的标准，无法指导具体的翻译实践。什么程度算"达"？"雅"又该如何量化？
现代翻译学提供了更精确的理论框架。其中影响最深远的是美国语言学家尤金·奈达（Eugene Nida）在 1960 年代提出的动态对等（Dynamic Equivalence）理论。
奈达认为，翻译的目标不是在字面上对应原文，而是让译文读者获得与原文读者相同的阅读体验。具体来说：
- 如果原文读者读到某段话觉得轻松自然，那译文读者也应该觉得轻松自然，而不是费力地猜测作者想表达什么。
- 如果原文中一个比喻在目标语言中没有对应的文化背景，那应该替换成译入语读者能理解的表达，而不是直译后加注释。
- 句子结构应该符合目标语言的习惯，而不是复制源语言的语法。
这个标准比"信达雅"具体得多：它以读者的实际接收效果为衡量尺度，而不是以译者的主观审美为标准。
LingRead 的翻译为什么不一样
LingRead 团队中有外语学院专业翻译方向的成员，尤其在英语、法语、西班牙语等三语有一定的积累。对翻译质量的要求，不是"看起来差不多就行"，而是基于翻译学理论去设计和优化每一个环节。
在实际产品中，这体现为：
- 翻译 prompt 经过专业设计。不是简单的"请翻译以下内容"，而是根据奈达动态对等的原则，要求模型在保持原意的前提下，使用符合中文表达习惯的句式和用词。
- 长句主动拆分。英文的复合句在翻译时会被拆成多个中文短句，避免一句话读不到头。
- 语序调整。修饰成分的位置会根据中文习惯重新排列，而不是照搬英文的前置修饰结构。
- 专有名词处理。常见的人名、地名、机构名有对照处理，减少张冠李戴的情况。
这些工作不是用户能直接看到的，但读起来会明显感觉"顺"。不会有那种一看就知道是机器翻译的感觉。
翻译是一门学科，不只是一个功能
很多产品把翻译当作一个附带的功能——接上大模型，输入输出，完事。但翻译本身是一个有几十年学术积累的学科，有理论、有方法论、有质量评估体系。
用大模型做翻译，技术能力决定了下限，翻译学的积累决定了上限。两者缺一不可。
LingRead 希望做的，是把专业翻译的水准带到日常阅读场景中。不是每个人都需要成为翻译专家，但每个人都应该读到自然流畅的译文。
