July 10, 2026
Kiu IA tradukilo estas plej preciza en 2026? Mi testis 10 el la plej novaj AI-modeloj
Du vortoj. Ses modeloj. Tri malsamaj tradukdecidoj. Jen estas kio okazis kiam mi pasigis 8 testajn frazojn tra la plej novaj AI-modeloj disponeblaj ĉe MachineTranslation.com, kaj kion la produktaĵoj efektive malkaŝas pri kiam modelo malsukcesas silente.
Kiel vi eĉ povus scii kiam via modelo faris la malĝustan decidon?
Du vortoj. Tio estas malsana. Ses modeloj. Tri distinctaj tradukaj decidoj.
En japana, unu modelo ĝin prezentis kiel それはやばい, konservante la ambiguecon. Alia tute forlasis la subjektan pronomon kaj skribis la nudan formon やばい, la plej kolokvia versio ebla. Tria persono skribis それはすごい, kio tute solvas la ambigueco favore de "mirinda," forstrabe la duoblan signifon kiu igis la frazon interesa antaŭe. En la Vjetnama, unu modelo skribis Đỉnh vậy (slango, ĝusta por junulara registaro). Alia skribis Tio estas vere mirinda, gramatike ĝusta, sed pli proksima al diro "tio estas vere meravela" kiam iu tekstas al vi memon.
Ĉiuj el ĉi tiuj estas defendeblaj. Neniu el ili estas la sama afero. Kaj se vi uzas tradukon per ununura modelo, vi neniam vidos la elekton, kiu estis farita en via nomo.
Tio estas la centra demando, kiun ĉi tiu artikolo provas respondi. Ne kiu AI-modelo estas plej bona por traduko en 2026 (la respondo dependas de la lingva paro, registaro, domajno, kaj frazvico), sed anstataŭe: kiel vi scipovas kiam via modelo faris la malĝustan decidon? Precipe en domajnoj kiel medicina terminologio, juraj kontraktoj, aŭ profesia formaleco, kie la malĝusta decidon aspektas ekzakte kiel ĝusta traduko ĝis specialisto ĝin legas.
Jen kio mi faris. Mi testis 8 testeajn frazojn per du rondoj de modeloj sur MachineTranslation.com: unue bazlinion de 5 vaste uzataj modeloj, poste etenditan grupon kiu aldonas plurajn el la plej novaj ĉefnivelaj variantoj de modeloj nun disponeblaj por pagantaj uzantoj. Normale, kompari rezultojn el modeloj kiel ĉi tio signifus apartajn pagitajn abonojn ĉe ĉiu provizanto aparte. Ĉe MachineTranslation.com, ili sidas en la sama kompara vido. La lingvoparo estis Angla→Japana kaj Angla→Vjetnama. La frazaj kategorioj estis elektitaj specife por stres-testi areojn kie modelo-malakordo estas plej konsekvenco: idioma frazo, jura terminologio, medicina terminologio, formaleco-senca kunteksto, kaj intenca semantika ambigueco.
Metodologio
- Lingvaj paroj: Angla → Japana, Angla → Vjetnama
- Rondo 1 (bazlinio): Claude Sonnet 4-6, DeepSeek V4-Pro, Qwen 3.7-Max, GPT-4.1-NANO, Gemini 3.1-Pro-Preview
- Rondo 2 (vastigita): Ĉiuj de la ĉi-supraj + Claude Opus 4-7, GPT-5.5, Gemini 3.5-Flash, GLM-5-Turbo, MiniMax M2.7
- Provaj kategorioj: Idioma frazo (2), Jura/profesia terminologio (2), Medicina terminologio (1), Formaleco-dependa kunteksto (2), Intenca ambigueco (1)
- Kio estis mezurita: Traduka eligo rekte, ne redakta tempo, TER, aŭ numeraj eraroj. Kie relevanta, diferencoj estas klarigitaj lingvistike.
- SMART konsenzo: Ĉiu rondo inkluzivas la plur-modelan konsenzajxon eligon de la platformo. SMART etendas ĝis 22 AI-modelojn trans provizantojn kaj funkcias ĉiujn disponeblajn modelojn samtempe por derivi konsensotradukton. La konsenzo ŝanĝiĝas kiam la modelo-aro ŝanĝiĝas.
Noto pri taksa metodologio: maŝina traduko-esplorado longe luktas pri kiel aŭtomate taksi produktaĵojn. Metriko kiel BLEU kaj COMET kiel mezurite en WMT-kunaj taskoj donas utilan kunmetitan signalon, sed ili estas malbonoj en detektado de registraj eraroj, idiomaj malsukcesoj, kaj terminologia precizeco, ĝuste la kategorioj kiuj plej gravas ĉi tie. Kio vi estas apud legi estas eligo-analizo, ne BLEU-kuraco.
Rezultoj ĉe unuaspekto
Sekcio 1: Kie ĉiuj modeloj konsentas, kaj kial tio ankaŭ gravas
Ne ĉiu frazo surfacas signifan malakordon. Du el la ok testoj, "Ni kontaktu sin post kiam la polvo sidiĝos ĉe ĉi tiu interkonsento" (→ japana) kaj "Ni brulas la meznoktan oleon por atingi ĉi tiun lanĉan daton" (→ vjetnama), produktis altan konsenon en ambaŭ rondoj. La idiomoj estis ĝuste komprenataj kiel idiomoj. Neniu tradukis "touch base" kiel tuŝi fizikan bazon. Neniu tradukis "the dust settles" kiel sedimento falas.
Ĉi tio merias paŭzigi: idioma angla komerca lingvo estas sufiĉe bone traktata de nuntempaj limaj modeloj kiam la idiomo estas sufiĉe ofta. La konsensuo por "tuŝi bazon" restis stabila tra ambaŭ turnoj; variaĵo estis pure stilistika, ĉirkaŭ ĉu uzi この件 (ĉi tiu afero), この取引 (ĉi tiu negoco), aŭ この案件 (ĉi tiu kazo) por la fonta frazo.
Testo 8: "Ni denove kontaktiĝu tuj kiam la polvo trankviliĝos pri ĉi tiu interkonsento." → la japanan
La "brulado de la noktomeza oleo" testo estas kie aferoj iĝis pli interesaj. Ĉiu modelo krom unu ĝuste komprenis la idiomon. MiniMax M2.7, enmetita en Rondo 2, tradukis "burning" laŭvorte, produktante đốt đuốc, signifante "bruladaj torĉoj." La konsenzo ĝuste ekskluzis ĝin.
Testo 5: "Ni brulas la noktomezon oleon por atingi ĉi tiun lanĉdaton." → la vjetnaman
Trovo — Idiomaĵoj
Ĉefaj modeloj ĝenerale ĝuste traktas oftajn anglajn komercajn idiomaĵojn en la japana kaj la vjetnama. La valoro de konsenzo estas plej alta pri disputataj frazoj: formaleco, registaro, kaj terminologio. En idiomtestoj, konsenzo ankoraŭ gajnas sian valoron per signalado de veraj elstaroj (la laŭlitera "ardantaj torĉoj" de MiniMax malsukcesas), sed la ĝenerala grupo jam konsentas.Sekcio 2: La formaleco-distanco
Japana estas formaleco-stratita lingvo. La elekto de verba finaĵo, pronomo, kaj referenca substantiva formo ne estas stila. Ĝi signalas la rilaton inter parolanto kaj ricevanto. Sendi mesaĝon al via ĉefo uzante neformajn verbajn formojn ne estas traduka eraro en la gramatika senco. Ĝi estas socia eraro, kaj signifa unu.
Ĉu vi povas sendi tion? Dankon, mi ĝin aprezas." Ĉapelo: mesaĝado al ĉefo.
La konsento ŝanĝiĝis kiam la modelo-aro vastiĝis. La mekanismo estas simpla: aldono de modeloj kiuj ĝuste legis la formaleco-kuntekston ŝanĝis la plimulton, kaj la konsento sekvis. Jen estas la plena spektro de kio la modeloj produktis en Rondo 2:
Testo 1: CEO frazo — plena Rondo 2 modelaj eligo
Rimarkinda elstaranto — DeepSeek R2
DeepSeek V4-Pro en Rondo 2 produktis 送ってくれる？ありがとう、助かる。, simpla formo japana. Jen kio vi tekstas al proksima amiko. Ĝi ne estas taŭga registro por mesaĝo al ĉefo. La simpla formo (くれる、助かる) forigas ĉiujn ĉefarojn de ĥonoro. La konsenzo ĝuste ĝin ekskludis, sed se ĉi tio estus via sola modelo, vi sendus mesaĝon al via ĉefo en la ekvivalento de neformalaj tekstmesaĝoj.La vietnama registra testo malkovris alian specon de formaleco-eraro, unu, kiu estas pli subtila. La fonta frazo: "Hej, rapida demando — ĉu vi liberas por saltadi en voko?" Kunteksto: mesaĝo al kliento. Qwen en Rondo 1 inkludis "mình," unua-persona pronomo kiu implicas neformal samrangxa amikeco. Ĉiu alia modelo evitis tute unuapersonecan memoriferacon, kio estas la pli sekura profesia elekto. Decise, Qwen ĉi tion ĝustis en Rondo 2 kaj formetis "mình." La konsenzo en ambaŭ rondoj ĝin ekskludis.
Test 6: "Ĉu vi estas libera por paroli per telefono rapide?" → la vjetnaman
Trovo — Registro-eraroj estas nevideblaj sen komparo
La eraro de Qwen kun "mình" estas la plej klara ilustraĵo pri kial tradukado per unu sola modelo estas riska por klientfronta komunikado: la rezulto estas flua, gramatike ĝusta kaj nature sonanta vjetnama teksto. Estas nenio por signali. Sen vidi la aliajn kvar modelojn evitu unua-persona mem-referencon, vi havus neniun signalon ke registra elekto estis farita.Sekcio 3: Jura terminologio — la 免責 problemo
La vendisto/kliento-indemniga frazo estas norma klauzo en komercaj interkonsentoj: "La vendisto indemnos la klienton kontraŭ ĉiuj pretoj de tria partio kiuj rezultas el malobeo de ĉi tiu interkonsento."
En Raŭndo 1, ĉiuj kvin modeloj ĝuste identigis la laŭjuran registron kaj uzis la pruntvortojn ベンダー (vendisto) kaj クライアント (kliento), normajn en japanaj komercaj kontraktoj kun angla origino. Unu escepto: GPT-4.1-NANO uzis 販売者 (vendisto) kaj 顧客 (kliento), legitimaj japanaj vortoj, kiuj mankas la formalan juran specifecon de la enpruntvortaj ekvivalentoj.
La pli grava malkovro aperis en Rondo 2. La ĉefa distingo estas inter du vortoj:
- 補償 (hoshō) — kompenci, repagi. Kompensaci por fari iun financialmente kompleta post perdo.
- 免責 (menseki) — liberigi de respondeco; indemnigi. Teni senkulpon kontraŭ pretendoj de tria partio antaŭ ol ili realiĝu.
Ĉi tiuj estas jure malsamaj konceptoj. "Indemnify" specifice signifas ŝirmi partion de triaparta respondeco. 免責 estas la ĝusta jura termino. Ĉiuj Round 1 modeloj uzis 補償. En Rondo 2, DeepSeek V4-Pro estis la sola modelo produkti 免責, kaj ĝi faris tion en Rondo 2 nur, ne Rondo 1.
Testo 7: Klauzo pri kompensado → Japana (ĉefaj rezultoj)
Trovajo — Jura registaro
DeepSeek en R2 estas la sola modelo, kiu uzas 免責, la jure preciza ekvivalento de "kompensadi." Ĉiu alia modelo uzas 補償 (kompenci), kiu estas semantike rilata sed jure diferenca. Ĉi tiu malkovro nur fariĝas videbla en la dua rondo, kio emfazas kial statika, unuronda testo uzanta fiksan modelan aron povas neglekti gravajn variaĵojn.Aparte, Qwen en R2 regresaĵas ŝanĝante al 売主/買主 (vendisto/aĉetanto), terminoj el komerca vendoleĝo prefere ol servaj interkonsentoj. Ĉi tio estas malpli taŭga kadro por kontrakto, kiu uzas anglan juridikan terminologion.
En kontrakto, 補償 kaj 免責 ne estas sinonimoj. Unu signifas "ni repagos vin." La alia signifas "vi estas ŝirmita kontraŭ la postulo en la unua loko." Se tradukplatformo uzas 補償 kie 免責 estas ĝusta, advokato leganta la japanan version ne vidos la saman interkonsenton, kiun la angla versio priskribas.
Sekcio 4: Medicinaj terminologio — la divido kiu ne solvigis
Ĉi tio estas la plej konsekva trovajo en la datumaro. La prova frazo: "Ĉi tiu medikamento estas kontraŭindikita ĉe pacientoj kun historio de hepata difekto." Fonto: klina produkta dokumentaro. Celo: Vjetnama.
La kritika termino estas "hepata difekto." Estas du Vietnamaj kandidatoj:
- suy gan — hepata malsukceso. Rilatas al severa, akuta aŭ kronica finstadiuma hepata disfunkcio. Pacianto kiu spertis hepatan malsukceson.
- malplibonigita hepata funkcio — malpliigita/difektita hepata funkcio. Rilatas al iu ajn malpliiĝo de hepata funkcio, inkluzive de milda aŭ modesta difekto.
Ĉi tiuj estas klinike apartaj. Averto pri kontraŭindiko bazita je "hepata difekto" aplikas al iu ajn kun redukta hepata funkcio, ne nur al tiuj, kiuj spertis kompletan organan malsukceson. Uzado de suy gan malĝuste mallarĝigas la indikitan popolacion. Pacienta kun moderat hepata difekto kiu legas suy gan eble ne reknosce sin kiel la kontraŭindikita populacio.
Testo 2: Kontraŭindika frazo → la vjetnama (ambaŭ raŭndoj)
Grava trovo: medicina terminologio
La disiĝo estas 6 modeloj por suy gan kontraŭ 4 modeloj por suy giảm chức năng gan en Raŭndo 2. La plimulto, kaj tial la konsenzo, elektas la malpli klinie preciza terminon. Ambaŭ Claude-modeloj (Sonnet kaj Opus) konstante elektas suy giảm chức năng gan en ambaŭ rondoj. La divido ne solviĝas kiam la ĉaro vastiĝas.Ĉi tio estas la unu trovado en ĉi tiu datumaro, kiu plej rekte argumentas por homa eksperta recenzo pri medicina enhavo. La konsensuo ne estas malprava per plimulta voĉdono. Ĝi reflektas veran malakordon inter limaj modeloj, kaj tiu malakordo mem estas informo, kiun tradukisto devas vidi. Ĉi tio estas ĝuste la speco de kazo Tomedes' homa-en-la-buklo recenzo estas konstruita por.
Sekcio 5: "Tio estas malsana" — kio okazas kiam ambigueco estas la celo
Iuj fontaj frazoj estas intence ambiguaj. "Ĉio estas malsana" en nuna angla ĝargono signifas ion bonega, sed ĝi ankaŭ daŭre portas sian literalan signifon (tio estas naŭziga/abomena), kaj la tensio inter tiuj du signifoj estas parto de kiel la frazo komunikas. La ĉalenge por tradukmodelo estas: ĉu vi konservas la ambiguecon, kolapsas ĝin al la plej verŝajna signifo, aŭ elektas unu kaj engaĝiĝas?
Japanaj rezultoj
Vietnamaj rezultoj
Trovita: ambiguecon kaj sama-famila diverĝo
Claude Opus 4-7 skribas Đỉnh vậy (slango). Claude Sonnet 4-6 skribas Vere mirinde (formala). Ĉi tiuj estas kontraŭaj registraj decidoj faritaj de du modeloj el la sama modelofamilio pri identaj du-vortaj enigoj. Nek unu nek la alia estas "malĝusta." La ambigueco en "That's sick" signifas, ke ambaŭ interpretoj ekzistas. Sed se via cela aŭdienco uzas nunan vietnaman junularan argoton, nur unu el ĉi tiuj tradukoj komunikas ĝuste. La konsenzo faras la malakordon videbla. Sen ĝi, vi ne scias, ke elekto estis farita.En la japana lingvo, GPT-4.1-NANO estas la sola modelo, kiun oni uzas すごい, kio kolapsas la ambiguecon tute favore al "mirinda." Kvin aliaj modeloj ĝin konservas kun やばい/ヤバい. Klaud Opuso prenas la plej minimalan formon: nuda やばい sen subjekto.
Sekcio 6: Kiel aspektas la modelo-aro
La modeloj en ĉi tiu testo ne estas ĉiuj ekvivalentaj. Ili kovras malsamajn arkitekturojn, trejnajn reĝimojn, kaj disvastigajn kuntekstojn. La Rondo 1 bazlinio inkluzivas modelojn, kiuj estas larĝe alireblebla. La vastigita Rondo 2 aro aldonas plurajn el la plej novaj ĉefnivelaj modelvariantoj nun disponeblaj al pagantaj uzantoj sur MachineTranslation.com, la sama nivelo de modelo kiu alie signifus apartan pagitan konton ĉe ĉiu individua provizanto.
La vastigita aro en Rondo 2 inkluzivas modelojn kiuj estas pli progresintaj kaj disponeblaj al pagantaj uzantoj sur MachineTranslation.com. La efiko de vastigado de la ĉaro ne estas unuforma. En iuj testoj (formaleco/japana), ĝi ŝanĝis la konsenson signife. En aliaj (medicinaj terminoj/Vietnama), la fendo profundiĝis.
Sekcio 7: Kio ĉi tio signifas se vi elektas tradukplataformon
La testaj datenpunktoj montras du apartajn misfunkciokategoriojn, kaj ili postulas malsamajn respondojn.
Kategorio A: Silentaj malsukcesoj. Formalaj eraroj, registraj eraroj, precizeco de medicina terminologio: ĉi tiuj produktas eligaĵojn, kiuj ŝajnas ĝustaj. La japana estas gramatika. La vietnamano estas flua. Ne estas surfaca signalo, ke io ajn malbone iris. Monolingva uzanto leganta eligo de ununura modelo havas neniun manieron scii, ke la modelo faris registran elekton, kiun seniora japana direktoro rimarkus, aŭ ke klinika termino estis mallarĝigita en maniero, kiu ŝanĝas la popolon, al kiu ĝi aplikas.
Kategorio B: Videblaj malsukcesoj. MiniMax tradukante "bruli la noktomezon" kiel "bruli torĉojn." GPT-4.1-NANO solvante "That's sick" al la neambigua "すごい." Ĉi tiuj estas detektebla, aŭ de parolanto de la ĉela lingvo aŭ per komparo kun aliaj modelaj produktaĵoj.
La multi-modela komparo, kiun SMART provizas, estas plej valora en Kategorio A. Kiam kvin aŭ dek modeloj produktas produktaĵojn kaj plej multaj konsentas pri formala registro dum unu produktas neformalajn simpla-forman Japanan, la malkonsentado estas videbla en la kompara vido. Uzanto kiu parolas la ĉelan lingvon povas taksi la eblojn. Uzanto, kiu ne povas vidi, ke kontestita decido estis farita, kaj decidi ĉu tiu frazo garantias homan kontrolon.
Por dokumento-skala laboro, grandaj dosieroj, aranĝo-konservanta traduko de PDF-oj, kontraktoj, aŭ klinikai materialoj, la platformo's dokumento-traktada kapablo traktas dosieran strukturon sen rompi formatigon. Sed la kvalitaj demandoj levitaj supre validas sendepende de dosiera grandeco. Klinikal studo de 100 paĝoj, kie ĉiu apero de "hepata ĉeno" estas tradukita kiel "hepata fiasko" estas pli granda versio de la sama problemo identigita en Testo 2.
Por la medicinaj kaj juridikaj kategorioj specife, homa verifikado estas la ĝusta kontraŭo. La AI Post-Editing servo de Tomedes, kiu kunparegas AI-elstaraĵon kun sertifikita homa recenzo por ĝuste ĉi tiu speco de alta-staka enhavo, estas konstruita por ĉi tio. La divido de suy gan / suy giảm chức năng gan estas ĝuste la speco de trovajo kiu devus decigi tiun ĝeneralan kontrolon, ne ĉar ĉiuj modeloj estas malĝustaj, sed ĉar la modeloj kiuj estas plej certaj ne estas la plej precizaj.
La valoro de vidi multajn produktaĵojn ne estas ke vi ĉiam elektos la plimulton. Ĝi estas tio, ke vi scios, ke elekto estis farita, kio estas malsama ol supozi, ke la produktaĵo antaŭ vi estas ĝusta.
Kiuj ok frazoj vere diris al mi
Metu la ok testojn apud unu la alian kaj ŝablono tenas: konsento kaj malkonsento ne estas hazarde distribuitaj. Idioma, ĉiutaga komerca lingvo ("kontakti", "bruli la noktomezon") konverĝis en preskaŭ ĉiu modelo en la aro, en ambaŭ rondoj. Formaleco, jura precizeco, kaj medicina terminologio ne faris. La testo de CEO-formaleco ŝanĝiĝis de neformala al formala nur kiam la vastigita aro estis inkluzivita. La klauzo pri indemnigo elmontris veran jura distingon (免責 vs. 補償) kiun nur unu modelo, en unu rondo, ĝuste komprenis. La medicinska terminologio neniam plene solviĝis, restante ĉe proksimume 6-kontraŭ-4 en ambaŭ rondoj sendepende de kiuj modeloj estis en la aro.
Tio estas la aktuala malkovro, ne mercanta aserto: konsento ne plibonigas ĉiun frazon, kaj ĝi ne devas. Ĝi estas plej valora ĝuste kie la fluo de ununura modelo donas al vi neniun kialon dubi ĝin, kaj kie esti malĝusta efektive kostas ion.
Ekzistas dua, pli praktika tavolo de ĉi tiu testo valena klarigi simple. Fari ĉi tiun komparon mem signifis kontroli la eligojn de GPT-5.5, Claude Opus 4-7, Gemini 3.5-Flash, GLM-5-Turbo, kaj MiniMax M2.7 flanke ĉe flanko kun la ekzistantaj bazliniaj modeloj, en unu loko, sur unu platformo. Ekster de MachineTranslation.com, tio ne estas unu abono. Estas pluraj, unu por ĉiu provizanto kies premia tavolo vi volas testi, je kio ajn ĉiu provizanto ĉarĝas individue. Pagantaj uzantoj ĉi tie ricevas tiun saman komparon en unu kliko, je frakcio de tio, kio kostas konservi kvin apartajn premiajn abonojn, sen rezigni pri la afero, kiu vere gravas: vidi kie la modeloj konsentas, kaj scii eksakte kiam ili ne konsentas.
Oftaj demandoj
1. Ĉu ChatGPT aŭ Claude estas pli bona por traduko?
Neniu estas kategorie pli bona; ĝi dependas de la testa kategorio. Claude Sonnet kaj Claude Opus konsisteme elektis la pli precizevan vietnaman medizinan terminon, kaj Claude Opus produktis la plej taŭgan arĝon por "Tio estas malsana." Sed Claude Sonnet ankaŭ produktis neformalajn japanan en formala CEO-kunteksta frazo, kie GPT-5.5 ĝin ĝuste faris. Direkta komparo de produktaĵoj estas pli defendebla ol elekti unu modelon kaj fidi ĝin.
2. Kio estas la plej preciza IA-traduka modelo en 2026?
Ne ekzistas unu; precizeco dependas de la domajno. Gemini 3.5-Flash kaj GLM-5-Turbo produktis la plej taŭgan formalan japanan en ĉi tiu testo. Ambaŭ Claude-modeloj estis plej precizaj pri vietnama medicina terminologio. DeepSeek V4-Pro estis la sola modelo, kiu uzis la ĝustan japanan juridikan terminon, sed nur en Rondo 2, kaj ĝi produktis neformalajn japanan aliloke. Neniu sola modelo superis en ĉiuj ok testoj.
3. Ĉu aldonado de pli da AI-modeloj ĉiam plibonigas la precizecon de traduko?
Ne, ne aŭtomate. Vastigado de la aro kun novaj premium-nivela modelo-variantoj ŝanĝis la konsenson de neformala al formala en la japana formaleco-testo. Sed en la vietnama medicina terminologia testo, la divido persistis je proksimume 6-al-4 sendepende de kiuj modeloj estis inkluzivitaj. Pli da modeloj surfacas pli da malakordo, kio estas utila signalo, sed la konsento daŭre sekvas la plimulton, kaj la plimulto ne estas ĉiam la plej preciza respondo.
4. Kio estas SMART kaj kiel ĝi funkcias?
SMART estas la plur-modelo-konsensa sistemo de MachineTranslation.com, kiu ĝi ĉapelas ĝis 22 AI-modelojn tra provizantoj inkluzive OpenAI, Anthropic, Google, kaj DeepSeek. Ĝi rulumas tradukon tra multaj modeloj samtempe kaj surfacas la plimulton-konsenson produkton kune kun ĉiu individua modelo respondo, defaŭlte, sen konfiguro bezono. La konsenzo ŝanĝiĝas kiam la modelo-aro ŝanĝiĝas, kiel montrite en ĉi tiu testo de japana formaleco: neformala konsenzo en Rondo 1 fariĝis formala en Rondo 2.
5. Kiu IA modelo estas plej bona por medicina aŭ jura traduko?
Neniu sola modelo; homa recenzo estas la pli bona respondo. Claudaj modeloj konstante elektis la pli precizejan vietnaman medizinan terminon, kaj DeepSeek V4-Pro sole uzis la ĝustan japanan juridikan terminon, sed nur en Rondo 2. La medicina terminologio disiĝo neniam solviĝis tra 10 modeloj, kio signifas, ke domaina kompetenteco estas postulata, ne ke malsama modelo devus esti elektita. Revizaĵo de post-redaktado de homo sertifikita , kiel Tomedes ofertas, donas tiun specialistan kontrolon.