October 23, 2026
Hvis du vælger mellem en LLM og en AI-agent til oversættelse, fortæller betegnelsen dig ikke meget om, hvad der kan gå galt. Et enkelt LLM-kald kan returnere et selvsikkert forkert svar uden nogen advarsel. En agent kan stille det rigtige spørgsmål, men hvert skridt, den tager, lægger tid til og giver endnu et sted, hvor det kan gå galt.
Tre forskellige ting deler ofte navnet "AI-agent": et enkelt LLM-kald, et workflow, der kører mange modeller på én gang, og en agent, der planlægger og handler i et loop. Vi kører alle tre på MachineTranslation.com. Forskellene nedenfor stammer fra at køre dem i produktion.
En LLM er en model. Du sender tekst ind og får tekst tilbage i ét kald. En AI-agent er et system bygget op omkring en LLM. Anthropics ingeniørteam adskiller de to ud fra, hvem der beslutter trinnene. I et workflow fastlægger kode trinnene på forhånd. I en agent vælger LLM'en sine egne trin og værktøjer.
Det giver tre former inden for oversættelse. Et enkelt LLM-kald er det enkleste, og det returnerer ét svar uden noget signal om, hvorvidt svaret er rigtigt. Et workflow, såsom at køre mange modeller på én gang og sammenligne resultaterne, følger en fast sti. En agent arbejder i et loop. Den beslutter, hvad den skal gøre, gør det og tjekker resultatet. Den kan også stille brugeren et spørgsmål, før den fortsætter.
Et enkelt LLM-kald er ét trin. Et konsensusworkflow sender den samme tekst til mange modeller på én gang og sammenligner derefter outputtene. En agent kører i et loop gennem planlæg, handl og tjek, og kan stoppe for at stille brugeren et spørgsmål.
| Enkelt LLM-kald | Konsensusworkflow | AI-agent | |
|---|---|---|---|
| Trin | Ét kald | Mange kald på én gang, derefter én sammenligning | En løkke af planlæg, handl og tjek |
| Tidsmæssig adfærd | Én models latenstid | Bestemt af den langsomste model i puljen | Vokser med hvert trin |
| Største risiko | Et selvsikkert forkert svar uden advarsel | Alle modeller deler den samme stiltiende antagelse | Ekstra trin tilføjer forsinkelse og nye fejlpunkter |
| Hvad der hjælper | Et ekstra tjek | Et spørgsmål til brugeren | Trinbegrænsninger og et menneskeligt tjek |
En agent tilføjer beslutninger, som et enkelt modelkald ikke kan træffe. Den kan spørge, om en sætning skal være formel eller uformel. Den kan også slå et begreb op og tjekke sit eget udkast. Hver af disse er et ekstra trin, og hvert trin tilføjer tid og endnu et sted, hvor der kan opstå fejl.
Anthropics vejledning er at starte med det enkleste design, der fungerer. Brug et workflow til en veldefineret opgave, og brug en agent, når opgaven kræver fleksible beslutninger. Vi følger den samme regel. AI Translation Agent er et separat lag, der kun træder til, når en sætning efterlader noget åbent, som for eksempel hvor formel teksten skal være.
Multi-model-konsensus er et workflow med en fast sti. Den samme tekst sendes til alle modeller på én gang. Outputtene sammenlignes, og den version, som flest modeller er enige om, returneres. Anthropic kalder praksissen med at køre flere forsøg på én gang for at øge sikkerheden for parallelisering.
Det tekniske problem er tid. Hvis 22 modeller kørte efter hinanden, ville ventetiden være summen af 22 kald. De kører parallelt, så ventetiden bestemmes af den langsomste model i puljen, som vi beskriver i vores guide til at få verificerede oversættelser i Claude eller ChatGPT. I et lanceringseksempel oversatte fem modeller en frase på fire ord og returnerede et resultat på 751 millisekunder. Længere tekst tager længere tid, og den samme regel gælder.
Vi testede puljestørrelser og lagde os fast på 22. Med færre modeller svækkes enighedssignalet. Med flere begynder latensen at snige sig ind. Brugeren ser ét resultat. Arbejdet, der gjorde det hurtigt, fandt sted før klikket.
Konsensus kan kun se uenighed mellem modeller, så den kan ikke opdage et valg, som alle modeller træffer på samme måde. I vores test af almindelige fraser oversatte alle syv viste modeller "good morning" til japansk med det formelle おはようございます, en stiltiende beslutning om høflighed, som ingen spurgte brugeren om.
Det franske "Je t'aime" fulgte det samme mønster. Modellerne var enige om én oversættelse, men udtrykket kan formidle romantisk, platonisk eller familiær kærlighed, og den direkte oversættelse angiver ikke hvilken. Et sammenligningstrin har intet at sammenligne, når alle modeller svarer på samme måde.
Det hul er grunden til, at AI Translation Agent kører som sit eget lag. Den spørger kun ind til stilniveau, målgruppe og tone, når teksten lader det stå åbent. Konsensus fanger de modeller, der er uenige. Agenten fanger det, som de alle antager.
Lærebøger om AI inddeler agenter efter, hvordan de beslutter, hvad de skal gøre. Den klassiske liste går fra simple refleksagenter, der reagerer på det aktuelle input, over målbaserede agenter, der planlægger frem mod et resultat, til lærende agenter, der forbedrer sig ud fra feedback.
I systemmæssig forstand tilføjer hvert trin op ad listen tilstand og loops, der skal vedligeholdes. Oversættelse har størst gavn af den målbaserede ende, fordi en oversættelse ofte afhænger af kontekst, som den aktuelle sætning ikke indeholder. Vores AI Translation Agent befinder sig dér. Den arbejder henimod en oversættelse, der passer til konteksten, og dens vigtigste værktøj er et spørgsmål til brugeren.
Ja, for neural maskinoversættelse -systemer er udelukkende trænet til at oversætte mellem sprog, hvilket gør dem til en anden type model end en generel LLM. Nogle modeller inden for LLM-familien fungerer også anderledes. De fleste LLM'er genererer ét token ad gangen. Mercury fra Inception Labs er en diffusionssprogmodel, der genererer tekstblokke parallelt, hvilket vi dækker i vores indlæg om tilføjelsen af Gemma og Mercury til platformen.
Hvorvidt et API til neural oversættelse eller en LLM passer bedst, afhænger af opgaven. Et API til neural oversættelse leverer en model bygget til én opgave, mens en LLM kan følge instruktioner og bruge mere kontekst. MachineTranslation.com's motorpulje omfatter både traditionelle maskinoversættelsesmotorer og LLM'er, så én forespørgsel kan gøre brug af begge typer.
Den stærkeste LLM afhænger af sprogparret og retningen, så vi vælger ikke én på platformsniveau. Puljen omfatter ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok og Mistral AI. Alle modeller kører parallelt, så tilføjelse eller udskiftning af en model forlænger ikke ventetiden. Kvalitetsresultater for specifikke modeller stammer fra vores modelsammenligningstest.
AI-agenter og -assistenter kan kalde MachineTranslation.com som et værktøj. MCP-connectoren lader betalende abonnenter bruge den fra Claude, ChatGPT, Copilot eller enhver assistent, der understøtter brugertilpassede connectors. Forespørgslen kører parallelt igennem den samme pulje på 22 modeller og returnerer den version, flest af dem er enige om. For assistenten bliver oversættelse til ét værktøjskald. Modelsammenligningen forbliver på vores side, og samtalen ser kun resultatet.
Du kan opleve den parallelle kørsel og agentens spørgsmål på din egen tekst. Indsæt en sætning på MachineTranslation.com, og modellerne kører med det samme. Agenten spørger kun, når sætningen efterlader noget åbent.
En LLM tager tekst ind og returnerer tekst i ét kald. En AI-agent er et system bygget op omkring en LLM, som selv vælger sine trin og bruger værktøjer. Den kontrollerer sit arbejde og kan stille brugeren spørgsmål. Inden for oversættelse beslutter en agent, hvad der skal gøres som det næste, mens et enkelt kald kun producerer et svar.
Lærebøger opremser simple refleksagenter, modelbaserede agenter, målbaserede agenter, nyttebaserede agenter og lærende agenter, ordnet efter hvordan de beslutter, hvad de skal gøre. Oversættelse har størst gavn af målbaserede agenter, der bruger værktøjer, såsom opslag i en ordliste eller et spørgsmål til brugeren, fordi en oversættelse ofte afhænger af kontekst, som den aktuelle sætning ikke indeholder.
Ja, fordi neurale maskinoversættelsessystemer kun er trænet til at oversætte og ikke er generelle chatmodeller. Diffusionssprogmodeller som Mercury er stadig sprogmodeller. De genererer tekst i blokke, mens de fleste LLM'er genererer ét token ad gangen. MachineTranslation.com afvikler både traditionelle maskinoversættelsesmotorer og LLM'er.
Ja, fordi en agent kan køre et oversættelsesværktøj og kontrollere resultatet, og den kan bede dig om manglende kontekst såsom tone eller målgruppe, før den returnerer noget. Hvert af disse trin tager ekstra tid. For veldefineret tekst er et enkelt modelkald eller et fast workflow normalt enklere, så agenter egner sig bedst til tilfælde, der kræver en beslutning.
Det afhænger af opgaven, fordi en neural oversættelses-API leverer en model, der er bygget til én opgave, mens en LLM kan følge instruktioner og anvende mere kontekst. MachineTranslation.com vælger ikke den ene frem for den anden. Dens motorpulje omfatter både traditionelle maskinoversættelsesmotorer og LLM'er, og en enkelt forespørgsel kan bruge begge typer.
ChatGPT, Claude, Gemini, DeepSeek og Qwen er LLM'er, og hver især håndterer de en oversættelse i ét kald. Et parallelt workflow kombinerer mange af dem. En AI-agent tilføjer beslutninger oveni, såsom MachineTranslation.com AI Translation Agent, der spørger ind til tone og målgruppe, når en sætning lader dem stå åbne.