Qwen vs DeepSeek : Quel modèle d'IA traduit le mieux ?

Passez les mêmes 12 000 segments de traduction dans Qwen et DeepSeek, et DeepSeek l'emporte pour la majorité des paires de langues. Ce n'est pas tout. Divisez les résultats par direction, et une tendance particulière se dessine : Qwen comble la majeure partie de l'écart, et prend parfois les devants, en particulier lorsque la langue cible est l'anglais. Pour les traductions de l'anglais vers n'importe quelle autre langue, DeepSeek l'emporte presque à chaque fois.

Cette répartition importe plus qu'un simple gagnant global si vous traduisez du contenu dans des dizaines de langues plutôt que pour une seule paire de langues. 

Que sont Qwen et DeepSeek ?

Qwen est la famille de grands modèles de langage d'Alibaba. La génération actuelle est Qwen3.8, lancée en août 2026 : Qwen3.8-Max est le modèle phare fermé, uniquement accessible par API, doté de 2,4 billions de paramètres, tandis que Qwen3.8-27B est un modèle open-weight plus petit, publié sous Apache 2.0 quelques jours plus tard, destiné aux équipes qui souhaitent faire de l'auto-hébergement.

DeepSeek est un laboratoire d'IA chinois réputé pour ses modèles mixture-of-experts qui égalent les performances de pointe pour une fraction du coût d'inférence. Sa génération actuelle, DeepSeek V4, a été lancée en avril 2026 en deux variantes : V4 Pro (1,6 billion de paramètres au total, environ 49 milliards d'actifs par jeton) pour les tâches axées sur la qualité, et V4 Flash (284 milliards au total, environ 13 milliards d'actifs) pour les charges de travail sensibles à la latence. Les deux sont distribués sous forme de open weights sous licence MIT.

Comment Qwen et DeepSeek se comparent-ils réellement en traduction, et pas seulement sur les benchmarks ?

La plupart des comparaisons entre Qwen et DeepSeek citent des benchmarks généraux : codage, mathématiques, raisonnement. Aucun d'entre eux ne mesure directement la qualité de la traduction, et le fait de tester chaque modèle sur des textes sources différents rend impossible l'isolation de tout écart de précision par rapport aux exigences propres du texte lui-même.

Le trafic de traduction de MachineTranslation.com au cours des 28 derniers jours apporte une réponse plus claire, car les deux modèles ont traduit le même texte source identique. Sur 98 paires de langues et plus de 12 000 segments correspondants, DeepSeek a obtenu un score plus élevé pour 83 paires; Qwen a obtenu un score plus élevé pour 15 paires. Si l'on restreint cela aux 27 paires dont la langue cible est l'anglais, l'écart se réduit considérablement : DeepSeek l'emporte dans 63 % des cas (17 sur 27) et Qwen l'emporte dans 37 % des cas (10 sur 27). Pour les 71 paires restantes, où l'anglais n'est pas la langue cible, DeepSeek l'emporte dans 92 % des cas (66 sur 71).

Taux de réussite par direction de traduction (98 paires de langues, texte identique)

La moyenne pondérée pour chaque segment correspondant place DeepSeek à 9,13 sur 10 et Qwen à 8,98. Il s'agit d'un écart réel, mais il n'est pas réparti de manière uniforme, ce qui est l'information la plus utile à connaître si votre contenu est traduit dans plus d'une direction. C'est cette même approche de confrontation directe que MachineTranslation.com utilise dans le cadre de ses tests comparatifs complets de modèles, et pas seulement pour cette paire.

Les chiffres globaux se confirment également dans les cas de tests individuels. Lors du test de la phrase française « Elle est directrice adjointe du département commercial », DeepSeek et Qwen ont convergé vers la même formulation en anglais : « deputy director of commercial department ». Vous pouvez vérifier ce résultat de test en direct directement. En testant la traduction de « as soon as possible » vers l'espagnol, DeepSeek s'est démarqué du consensus des quatre modèles avec « esté hecho » plutôt que « se haga », ce qui constitue un cas de divergence réel qui reflète une distinction grammaticale entre le processus et le résultat, et non une erreur.

Pourquoi Qwen réussit-il mieux dans la traduction vers l'anglais en particulier ?

Les données n'expliquent pas pourquoi, mais seulement où. Certaines des paires vers l'anglais les plus performantes de Qwen sont le tamoul, le chinois, le polonais, l'italien et l'hébreu, qui sont des langues sources dotées de vastes corpus d'entraînement en langue anglaise bien documentés et généralement accessibles aux concepteurs de modèles. En dehors de cette direction unique, l'avantage de DeepSeek se maintient presque partout : de l'anglais vers d'autres langues, ainsi qu'entre paires de langues non anglaises.

Ce que cela exclut, c'est de traiter l'un ou l'autre modèle comme un choix par défaut universel. Une équipe qui traduirait des fiches de produits de l'espagnol vers six langues et qui s'attendrait au même classement de performance que celui observé lors de la traduction d'un billet de soutien du chinois vers l'anglais appliquerait la mauvaise leçon de la mauvaise direction. C'est la même asymétrie que l'on retrouve dans l'analyse de modèle espagnol-anglais  de MachineTranslation.com, où les modèles de tête ne sont pas les mêmes que ceux qui mènent dans la direction inverse.

Est-ce que Qwen et DeepSeek sont gratuits et open source?

La répartition des licences est différente pour chacun. DeepSeek accorde des licences pour V4 Pro et V4 Flash sous la licence MIT, l'une des conditions open source les plus permissives disponibles, de sorte que les deux peuvent être auto-hébergés gratuitement et sans restriction. Qwen est divisé : Qwen3.8-27B est distribué sous Apache 2.0 et est gratuit pour l'auto-hébergement, mais le modèle phare Qwen3.8-Max reste fermé, accessible uniquement par API et sous la licence personnalisée d'Alibaba.

En pratique, cela signifie qu'une option avec poids entièrement ouverts, sous licence MIT, existe du côté de DeepSeek pour les deux niveaux de qualité. Du côté de Qwen, choisir les poids ouverts signifie renoncer au modèle phare.

Combien coûtent Qwen et DeepSeek pour une utilisation à grande échelle?

À la suite de la baisse de prix permanente de DeepSeek en mai 2026, ses tarifs d'API publiés actuellement sont de $0.435 per million input tokens (cache miss) and $0,87 par million de jetons de sortie pour V4 Pro, tandis que le tarif de V4 Flash est inférieur pour son niveau optimisé pour la latence.

Pour les équipes qui auto-hébergent l'un ou l'autre modèle au lieu d'utiliser une API hébergée, la comparaison des coûts se déplace entièrement vers l'infrastructure de processeurs graphiques (GPU) et devient fonction du nombre de paramètres et de l'efficacité des paramètres actifs, plutôt que d'un tarif par jeton.

L'un ou l'autre modèle est-il assez sécuritaire pour du contenu juridique, médical ou réglementé?

Aucun des deux modèles ne publie de certifications de sécurité spécifiques à la traduction, et les critères d'évaluation de la sécurité d'intérêt général ne testent pas les modes de défaillance qui comptent dans le contenu réglementé : une posologie mal traduite, une clause de responsabilité modifiée, un terme juridique incohérent. Les propres tests de MachineTranslation.com ont révélé exactement ce type de divergence entre les modèles sur le langage juridique et médical, y compris des cas où les modèles utilisaient des termes juridiques différents ayant des portées différentes  bien que les deux aient obtenu de bons résultats sur les indicateurs généraux de qualité.

Pour les contrats, les documents d'immigration ou le contenu clinique, cela justifie d'associer la production de l'un ou l'autre modèle à une étape de vérification humaine  plutôt que de faire confiance aveuglément à un seul résultat d'IA, quel que soit le modèle qui l'a généré.

Qu'est-ce que cela signifie si vous effectuez une localisation dans plusieurs langues à la fois?

Une comparaison basée sur une seule paire de langues ne vous dit presque rien sur la quarantième paire. La division vers l'anglais/hors de l'anglais documentée ici s'est maintenue sur un échantillon de 98 paires précisément parce qu'elle a été testée à cette échelle : un seul test anglais-espagnol, ce sur quoi reposent la plupart des comparaisons entre Qwen et DeepSeek, aurait montré DeepSeek largement en tête et n'aurait rien dit de ce qui se passe une fois que le tamoul, le polonais ou l'hébreu entrent en ligne de compte.

C'est l'argument pratique pour ne pas verrouiller par défaut un grand programme de localisation sur les résultats d'un seul modèle. MachineTranslation.com exécute à la fois Qwen et DeepSeek, ainsi que plus de 20 autres modèles, sur chaque traduction et propose la version sur laquelle ces modèles s'accordent le plus, de sorte qu'un déploiement en 68 langues ne dépend pas du modèle qui a par hasard remporté la seule paire testée en premier. Vous pouvez voir exactement quels modèles se sont accordés ou ont divergé sur une traduction donnée dans l' analyse détaillée par traduction  que la plateforme affiche pour chaque résultat.

Chaque traduction est vérifiée par rapport à un éventail de modèles plus large que ce que Qwen ou DeepSeek peuvent offrir à eux seuls, ce qui est la réponse directe à ce qui se produit dès que votre contenu cesse de se déplacer dans une seule direction.

Foire aux questions