De GPT-3 ĝis GPT-5: Kiel la kvalito de AI-tradukado fakte ŝanĝiĝis

GPT-3, GPT-4 kaj GPT-5 estas apartigitaj per kvin jaroj kaj pluraj arkitekturaj generacioj, sed la utila demando por tradukado ne estas «kiu estas la plej inteligenta». Ĝi estas pli specifa: kio konkrete ŝanĝiĝis en la maniero, kiel ĉi tiuj modeloj traktas tiujn partojn de lingvo, kiuj ne tradukiĝas laŭvorte, kiel idiomaĵojn, ambiguecon kaj registron? La pliboniĝo okazis en specifaj lokoj, je specifaj punktoj, kaj ĝi ne iris en rekta linio de pli malnova al pli nova.

Kion GPT-3 efektive ofertis por tradukado

OpenAI lanĉis GPT-3 en 2020, antaŭ ol la propra testa programo de MachineTranslation.com ekzistis, do nenio ĉi tie estas interna rendimentotesto. Ĝi estas bone dokumentita historio, ne interna testrezulto. GPT-3 estis la unua modelo de sia speco kapabla produkti fluan, homece sonantan tekston en pluraj lingvoj sen taskospecifa trejnado, kio faris ĝin vera mejloŝtono. Specife por tradukado, tiu sama flueco kreis realan riskon: GPT-3 povis produkti memcertan, bone formitan frazon en la cellingvo, kiu tamen estis erara, sen ke io ajn en la eligo signalus, ke eraro okazis.

Kio ŝanĝiĝis kiam GPT-4 alvenis

GPT-4 lanĉiĝis en March 2023, kaj la propra modeltestado de MachineTranslation.com komenciĝas ĉirkaŭ ĉi tiu generacio. La pliboniĝo estis reala sed malebena. Testante la ambiguan anglan frazon "That's sick" en la japanan, GPT-4.1-nano estis la sola modelo el ses testitaj, kiu reduktis la celitan duoblan signifon de la frazo al ununura interpreto, dum la aliaj kvin konservis la ambiguecon, kiun la originala frazo celis. Idiomaĵoj estis pli granda malforto: pasigante la hispanan idiomaĵon "llevarse el gato al agua" tra kvin versioj de GPT samtempe, la pli malgrandaj GPT-4o-mini kaj GPT-4.1-nano ambaŭ produktis la saman laŭvortan, malĝustan tradukon, tute maltrafante la idiomaĵon.

La sama tendenco montriĝis aliloke. Germana idiomaĵo, "ich verstehe nur Bahnhof", pasigita tra ok subversioj de GPT kaj Claude, estis tradukita laŭvorte kaj malĝuste specife de GPT-4o-mini, dum pli malgranda, pli nova modelo en la sama testo, GPT-4.1-nano, trafis ĝin ĝuste. Generacio kaj modela grando ne korespondis en iu ajn konstanta maniero, tendenco kiun la testado de modelversioj fare de MachineTranslation.com traktas pli profunde.

Kion GPT-5 ŝanĝis por tradukado

OpenAI prezentis GPT-5 kiel unuigitan sistemon, kiu redirektas inter rapida defaŭlta modelo kaj pli profunda rezonada modelo depende de la tasko, struktura ŝanĝo kompare kun la unumodela dezajno de GPT-4. La propra GPT-5 System Card de OpenAI raportas, ke la ĝenerala fakta erarnivelo de la modelo estas proksimume 45% pli malalta ol tiu de GPT-4 kaj 80% pli malalta ol tiu de GPT-3, ĝenerala fidindeca gajno, kiu videbliĝas specife ankaŭ por tradukado. La testado de MachineTranslation.com montras la plej klarajn gajnojn tie, kie modeloj de la epoko de GPT-4 plej luktis: ĉe la sama hispana idiomaĵo, kiun GPT-4o-mini kaj GPT-4.1-nano maltrafis, ambaŭ GPT-5.4-mini kaj GPT-5.4 atingis ĝustajn, idiomajn tradukojn, ĉiu formulante ĝin iomete alie, sed ambaŭ komprenante la idiomaĵon mem.

Tiu lasta punkto gravas: aparta testo de norma komerca frazo, "please confirm receipt of this document", tradukita en la germanan, liveris preskaŭ identan rezulton tra ĉiuj testitaj modeloj, inkluzive de GPT-4o-mini kaj modeloj de la generacio GPT-5. La generacia distanco estas specifa por figura kaj ambigua lingvaĵo, ne ĝenerala diferenco en kvalito.

Ĉu pli nova GPT-generacio ĉiam signifas pli bonan tradukon?

Ne. Dum testado de hebrea idiomo tra model-familioj, GPT-5.4-mini kaj GPT-5.4 alvenis al du malsamaj, partaj interpretoj de la sama frazo, el kiuj neniu estis plene ĝusta, dum pli malnova, nerilata modelo pli proksimiĝis. Pli nova modelo ne estas aŭtomate pli preciza, kaj pli granda aŭ pli freŝa modelo ne estas aŭtomate la pli sekura elekto por difinita frazo.

Kie GPT-5 situas rilate al tradukado hodiaŭ

GPT-3 kaj GPT-4 ambaŭ estas retiritaj el ChatGPT; GPT-4 restas alirebla nur per la API de OpenAI por ekzistantaj integriĝoj. La nuna generacio, GPT-5.4 kaj GPT-5.5, estas tio, kion MachineTranslation.com uzas hodiaŭ, kaj ĝi funkcias konkurencive kompare al nunaj modeloj de aliaj provizantoj, kvankam ne unuforme pli bone en ĉiu lingvoparo. Por pli detala rigardo al kiel nunaj subversioj de GPT kompariĝas inter si kaj kontraŭ modeloj kiel Claude kaj DeepSeek, vidu la rektan subversian testadon de MachineTranslation.com, kiu iras pli profunden ol generacia superrigardo kapablas.

Kion tio signifas, se vi lokalizas grandskale

La trovo, kiu plej gravas por granda lokaliza programo, ne estas "GPT-5 venkas GPT-3." Ĝi estas, ke modelversio, ne nur modelfamilio, determinas ĉu specifa idiomo aŭ plursenca frazo estas tradukita ĝuste, kaj tio validas tra ĉiu lingvoparo, ne nur la manpleno montrita ĉi tie. Tio plej gravas en enhavo, kiu ĉefe baziĝas sur tono kaj figura lingvaĵo, precipe merkatika teksto kaj uzant-generita enhavo, kie ununura idiomo tradukita laŭvorte povas ŝanĝi la tutan signifon de afiŝo aŭ reklamo. Programo, kiu transigas enhavon en dekojn da lingvoj, trafos ĝuste tian lingvaĵon en ĉiu el ili. La serio de subversiaj testoj kaj la plenaj model-komparaj testoj de MachineTranslation.com traktas tion pli profunde. La aliro de la platformo, uzi nunajn modelojn de GPT kune kun pli ol 20 aliaj por ĉiu traduko, ekzistas specife ĉar la versia historio de neniu ununura modelo estas sufiĉe fidinda garantio per si mem.

Oftaj demandoj