October 23, 2026
Si trieu entre un LLM i un AI agent per a la traducció, l'etiqueta us diu ben poc sobre el que pot sortir malament. Una sola crida a un LLM pot retornar una resposta incorrecta amb total seguretat i sense cap advertiment. Un agent pot fer la pregunta adequada, però cada pas que fa afegeix temps i un altre punt on fallar.
Sovint, tres coses diferents comparteixen el nom "AI agent": una crida a un LLM, un workflow que executa molts models alhora i un agent que planifica i actua en un bucle. A MachineTranslation.com executem totes tres. Les diferències següents provenen d'executar-les en producció.
Un LLM és un model. Hi envieu text i en rebeu text, en una sola crida. Un AI agent és un sistema construït al voltant d'un LLM. L'equip d'enginyeria d'Anthropic separa tots dos segons qui decideix els passos. En un workflow, el codi defineix els passos per endavant. En un agent, el LLM tria els seus propis passos i eines.
Això dona tres formats per a la traducció. Una sola crida a un LLM és el més senzill, i retorna una resposta sense cap senyal sobre si aquesta resposta és correcta. Un workflow, com ara executar molts models alhora i comparar-ne els resultats, segueix un camí fix. Un agent funciona en bucle. Decideix què fer, ho fa i comprova el resultat. També pot fer una pregunta a l'usuari abans de continuar.
Una sola crida a un LLM és un sol pas. Un workflow de consens envia el mateix text a molts models alhora i després en compara els resultats. Un agent passa en bucle per planificar, actuar i comprovar, i es pot aturar per fer una pregunta a l'usuari.
| Crida única a un LLM | Flux de treball de consens | Agent d'IA | |
|---|---|---|---|
| Passos | Una crida | Moltes crides alhora, i després una comparació | Un bucle de planificar, actuar i comprovar |
| Comportament temporal | La latència d'un sol model | Determinada pel model més lent del grup | Creix amb cada pas |
| Risc principal | Una resposta incorrecta amb total seguretat sense cap avís | Tots els models comparteixen la mateixa suposició tàcita | Els passos addicionals afegeixen retards i nous punts de fallada |
| Què ajuda | Una segona comprovació | Una pregunta a l'usuari | Límits de passos i una revisió humana |
Un agent afegeix decisions que una sola crida a un model no pot prendre. Pot preguntar si una frase ha de ser formal o informal. També pot cercar un terme i revisar el seu propi esborrany. Cadascun d'aquests és un pas addicional, i cada pas afegeix temps i un altre punt de fallada.
La recomanació d'Anthropic és començar amb el disseny més senzill que funcioni. Utilitzeu un flux de treball per a una tasca ben definida i utilitzeu un agent quan la tasca requereixi decisions flexibles. Nosaltres seguim la mateixa regla. L'AI Translation Agent és una capa independent que només intervé quan una frase deixa alguna cosa oberta, com ara el grau de formalitat que ha de tenir el text.
El consens multimodell és un flux de treball amb una ruta fixa. El mateix text s'envia a tots els models alhora. Es comparen els resultats i es retorna la versió en què coincideixen més models. Anthropic anomena paral·lelització a la pràctica d'executar diversos intents alhora per augmentar la confiança.
El problema d'enginyeria és el temps. Si 22 models s'executessin un rere l'altre, l'espera seria la suma de 22 crides. S'executen en paral·lel, de manera que l'espera ve determinada pel model més lent del conjunt, tal com descrivim a la nostra guia per obtenir traduccions verificades dins de Claude o ChatGPT. En un exemple de llançament, cinc models van traduir una frase de quatre paraules i van retornar un resultat en 751 mil·lisegons. Un text més llarg requereix més temps, i s'aplica la mateixa regla.
Vam provar diferents mides de conjunt i ens vam decidir per 22. Amb menys models, el senyal de coincidència s'afebleix. Amb més, la latència comença a augmentar. L'usuari veu un sol resultat. La feina que ho ha fet ràpid ha tingut lloc abans del clic.
El consens només pot veure desacords entre models, de manera que no pot detectar una decisió que tots els models prenen de la mateixa manera. En les nostres proves de frases habituals, tots set models mostrats van traduir "good morning" al japonès amb el formal おはようございます, una decisió silenciosa sobre la cortesia sobre la qual ningú va preguntar a l'usuari.
El francès "Je t'aime" va seguir el mateix patró. Els models van coincidir en una traducció, però la frase pot expressar amor romàntic, platònic o familiar, i la traducció directa no diu quin dels tres és. Un pas de comparació no té res a comparar quan tots els models responen de la mateixa manera.
Aquesta mancança és el motiu pel qual l'AI Translation Agent s'executa com una capa pròpia. Només demana informació sobre el registre, el públic i el to quan el text no els especifica clarament. El consens detecta els models que discrepen. L'agent detecta allò que tots donen per fet.
Els llibres de text sobre IA classifiquen els agents segons com decideixen què fer. La llista clàssica va des dels agents reflexos simples, que reaccionen a l'entrada actual, passant pels agents basats en objectius que planifiquen cap a un resultat, fins als agents amb aprenentatge que milloren a partir de la retroalimentació.
En termes de sistemes, cada pas endavant a la llista afegeix estat i bucles per mantenir. La traducció és la que més es beneficia de l'extrem basat en objectius, perquè una traducció sovint depèn d'un context que la frase actual no conté. El nostre AI Translation Agent se situa aquí. Treballa per aconseguir una traducció que s'ajusti al context, i la seva eina principal és una pregunta a l'usuari.
Sí, perquè els sistemes de traducció automàtica neuronal estan entrenats només per traduir entre idiomes, cosa que fa que siguin un tipus de model diferent d'un LLM d'ús general. Alguns models de la família dels LLM també funcionen de manera diferent. La majoria dels LLM generen un token cada vegada. Mercury, d'Inception Labs, és un model lingüístic de difusió que genera blocs de text en paral·lel, aspecte que tractem a la nostra publicació sobre la incorporació de Gemma i Mercury a la plataforma.
Que s'adapti millor una API de traducció neuronal o un LLM depèn de la feina. Una API de traducció neuronal ofereix un model dissenyat per a una sola tasca, mentre que un LLM pot seguir instruccions i utilitzar més context. El conjunt de motors de MachineTranslation.com inclou tant motors de traducció automàtica tradicionals com LLM, de manera que una sola sol·licitud pot utilitzar qualsevol dels dos tipus.
El LLM més potent depèn del parell d'idiomes i de la direcció, de manera que no en triem cap a escala de plataforma. El grup inclou ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok i Mistral AI. Tots els models s'executen en paral·lel, de manera que afegir-ne o canviar-ne un no augmenta l'espera. Els resultats de qualitat per a models específics provenen de les nostres proves de comparació de models.
Els agents i assistents d'IA poden cridar MachineTranslation.com com a eina. El connector MCP permet als subscriptors de pagament utilitzar-lo des de Claude, ChatGPT, Copilot o qualsevol assistent compatible amb connectors personalitzats. La sol·licitud s'executa a través del mateix grup de 22 models en paral·lel i retorna la versió en què la majoria coincideix. Per a l'assistent, la traducció es converteix en una sola crida d'eina. La comparació de models es queda a la nostra banda, i la conversa només veu el resultat.
Podeu veure l'execució en paral·lel i les preguntes de l'agent amb el vostre propi text. Enganxeu una frase a MachineTranslation.com i els models s'executen alhora. L'agent només pregunta quan la frase deixa alguna cosa oberta.
Un LLM rep text d'entrada i retorna text de sortida en una sola crida. Un agent d'IA és un sistema construït al voltant d'un LLM que tria els seus propis passos i utilitza eines. Comprova la seva feina i pot fer preguntes a l'usuari. En traducció, un agent decideix què fer a continuació, mentre que una sola crida només produeix una resposta.
Els llibres de text enumeren agents de reflex simple, basats en models, basats en objectius, basats en la utilitat i d'aprenentatge, ordenats segons com decideixen què fer. La traducció és la que més es beneficia dels agents basats en objectius que utilitzen eines, com ara una cerca en un glossari o una pregunta a l'usuari, perquè una traducció sovint depèn d'un context que la frase actual no conté.
Sí, perquè els sistemes de traducció automàtica neuronal estan entrenats només per traduir i no són models de xat generals. Els models lingüístics de difusió com Mercury continuen sent models lingüístics. Generen text en blocs, mentre que la majoria dels LLM generen un token a la vegada. MachineTranslation.com executa tant motors de traducció automàtica tradicionals com LLM.
Sí, perquè un agent pot executar una eina de traducció i comprovar-ne el resultat, i et pot demanar el context que falta, com ara el to o l'audiència, abans de retornar res. Cadascun d'aquests passos afegeix temps. Per a un text ben definit, una sola crida al model o un flux de treball fix sol ser més senzill, de manera que els agents s'adapten als casos que necessiten una decisió.
Depèn de la feina, perquè una API de traducció neuronal dona servei a un model creat per a una sola tasca, mentre que un LLM pot seguir instruccions i utilitzar més context. MachineTranslation.com no en tria cap de sol. El seu conjunt de motors inclou tant motors de traducció automàtica tradicionals com LLM, i una sola sol·licitud pot utilitzar qualsevol dels dos tipus.
ChatGPT, Claude, Gemini, DeepSeek i Qwen són LLM, i cadascun gestiona una traducció en una sola crida. Un flux de treball paral·lel en combina molts. Un agent d'IA hi afegeix decisions a sobre, com ara el MachineTranslation.com AI Translation Agent, que pregunta pel to i l'audiència quan una frase els deixa oberts.