Hvilken AI-oversætter er mest præcis i 2026? Jeg testede 10 af de seneste AI-modeller

Test 2: Modstridende indikation sætning → Vietnamesisk (begge runder)

Kritisk fund: medicinsk terminologi

Afsnit 5: ‎"Det er sygt" — hvad sker der, når tvetydighed er pointen

Nogle kildesetninger er bevidst tvetydige. ‎"Det er sygt" betyder noget fremragende i moderne engelsk slang, men det bevarer også stadig sin bogstavelige betydning (det vil sige væmmelig/frastødende), og spændingen mellem disse to betydninger er en del af, hvordan udtrykket kommunikerer. Udfordringen for en oversættelsesmodel er: bevarer du tvetydigheden, reducerer du den til den mest sandsynlige betydning, eller vælger du en og forpligter dig?

Japanske outputs

Vietnamesiske outputs

Fund: tvetydighed og samme-familie divergens

Afsnit 6: Hvordan modelpoolen ser ud

Modellerne i denne test er ikke alle ækvivalente. De spænder over forskellige arkitekturer, træningsregimer og implementeringskontekster. Runde 1-baseline omfatter modeller, der er bredt tilgængelige. Den udvidede pulje i runde 2 tilføjer flere af de nyeste premium-tier-modelvarianterne, der nu er tilgængelige for betalende brugere på MachineTranslation.com, det samme niveau af model, som ellers ville betyde en separat betalt konto hos hver enkelt udbyder.

Den udvidede pulje i runde 2 omfatter modeller, der er mere avancerede og tilgængelige for betalende brugere på MachineTranslation.com. Effekten af at udvide puljen er ikke ensartet. I nogle tests (formalitet/japansk) skiftede det konsensus betydeligt. I hos andre (medicinsk terminologi/vietnamesisk) blev splittelsen dybere.

Afsnit 7: Hvad det betyder, hvis du vælger en oversættelsesplatform

Testdatapunkterne peger på to forskellige fejlkategorier, og de kræver forskellige reaktioner.

Kategori A: Tavse fejl. Formalitetsfejl, registerfejl, præcision inden for medicinsk terminologi: disse producerer output, der ser korrekte ud. Japaneren er grammatikalsk korrekt. Vietnamesen er flydende. Der er intet overfladesignal om, at noget gik galt. En ensproglig bruger, der læser en enkelt models output, har ingen måde at vide på, at modellen gjorde et registervalg, som en senior japansk direktør ville bemærke, eller at et klinisk udtryk blev indsnævret på en måde, der ændrer den befolkning, det gælder for.

Kategori B: Synlige fejl. MiniMax oversætter "burning the midnight oil" som "burning torches." GPT-4.1-NANO løser "That's sick" til det utvetydige "すごい." Disse er påviselige, enten af en taler af målsproget eller ved sammenligning med andre modeloutput.

Sammenligningen af flere modeller, som SMART giver, er mest værdifuld i kategori A. Når fem eller ti modeller producerer output, og de fleste er enige om et formelt register, mens én producerer uformelt almindeligt japansk, er uenigheden synlig i sammenligningsvisningen. En bruger, der taler målsproget, kan evaluere mulighederne. En bruger, der ikke kan se, at en omstridt beslutning blev truffet, kan beslutte, hvorvidt denne sætning kræver menneskelig gennemgang.

For dokumentskala-arbejde, store filer, layoutbevarende oversættelse af PDF'er, kontrakter eller kliniske materialer, håndterer platformens dokumentbehandlingsevne filstruktur uden at ødelægge formateringen. Men kvalitetsspørgsmålene rejst ovenfor gælder uanset filstørrelse. En 100-siders klinisk undersøgelse, hvor hver forekomst af "hepatic impairment" er oversat som "lever failure", er en større version af det samme problem, der blev identificeret i Test 2.

For de medicinske og juridiske kategorier specifikt er menneskelig verifikation den korrekte sikkerhedsventil. Tomedes' AI Post-Editing-service, som kombinerer AI-output med certificeret menneskelig gennemgang for præcis denne type højrisiko-indhold, er bygget til dette. Suy gan / suy giảm chức năng gan-opdelingen er præcis den slags fund, der burde udløse denne gennemgang, ikke fordi alle modeller er forkerte, men fordi de modeller, der er mest sikre, ikke er de mest præcise.

Værdien ved at se flere resultater er ikke, at du altid vil vælge flertallet. Det er, at du vil vide, at der blev truffet et valg, hvilket er anderledes end at antage, at det output, du har foran dig, er korrekt.

Hvad otte sætninger faktisk fortalte mig

Sæt de otte test side om side, og et mønster holder stand: enighed og uenighed er ikke tilfældigt fordelt. Idiomatisk, hverdagssprog inden for erhverv ("touch base," "burning the midnight oil") konvergerede på tværs af næsten alle modeller i puljen, i begge runder. Formalitet, juridisk præcision og medicinsk terminologi gjorde ikke. CEO-formalitetstesten skiftede fra uformelt til formelt kun når den udvidede pulje blev inkluderet. Erstatningsklausulen afslørede en reel juridisk skelnen (fritagelse vs. erstatning), som kun én model i én runde fik rigtigt. Den medicinske terminologi-opdeling blev aldrig løst overhovedet, og forblev på cirka 6-til-4 på tværs af begge runder uanset hvilke modeller der var i puljen.

Det er det faktiske resultat, ikke et marketingkrav: konsensus gør ikke hver sætning bedre, og det behøver det ikke. Det er mest værdifuldt præcis hvor en enkelt models flydende tale giver dig ingen grund til at tvivle på det, og hvor det faktisk koster noget at have uret.

Der er et andet, mere praktisk lag til denne test værd at sige klart. At køre denne sammenligning selv betød at kontrollere output fra GPT-5.5, Claude Opus 4-7, Gemini 3.5-Flash, GLM-5-Turbo og MiniMax M2.7 side om side med de eksisterende baseline-modeller, på ét sted, på én platform. Uden for MachineTranslation.com er det ikke ét abonnement. Det er flere, en for hver udbyder, hvis premium-tier du vil teste, til hvad hver udbyder opkræver individuelt. Betalende brugere her får den samme sammenligning med ét klik, til en brøkdel af omkostningerne ved at vedligeholde fem separate premium-abonnementer, uden at opgive det, der faktisk betyder noget: at se hvor modellerne er enige, og vide præcis hvornår de ikke er det.

Ofte stillede spørgsmål