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

Faites passer les mêmes 12 000 segments de traduction par Qwen et DeepSeek, et DeepSeek l'emporte sur la majorité des paires de langues. Ce n'est pas toute l'histoire. Divisez les résultats par direction, et une tendance spécifique apparaît : Qwen comble la majeure partie de l'écart, et prend parfois la tête, en particulier lorsque la langue cible est l'anglais. Pour les traductions depuis l'anglais vers n'importe quelle autre langue, DeepSeek l'emporte presque à chaque fois.

Cette répartition importe plus qu'un simple vainqueur 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, sortie en août 2026 : Qwen3.8-Max est le modèle phare fermé, disponible uniquement via API, doté de 2,4 billions de paramètres, tandis que Qwen3.8-27B est un modèle plus petit à poids ouverts 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 connu pour ses modèles de type mélange d'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 actifs par jeton) pour les tâches axées sur la qualité, et V4 Flash (284 milliards au total, environ 13 milliards actifs) pour les charges de travail sensibles à la latence. Tous deux sont fournis sous forme de poids ouverts sous licence MIT.

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

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

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

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

La moyenne pondérée sur chaque segment correspondant place DeepSeek à 9.13 sur 10 et Qwen à 8.98. C'est 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 circule dans plus d'une direction. Il s'agit de la même approche de confrontation directe que MachineTranslation.com utilise dans le cadre de ses tests comparatifs complets de modèles, et pas seulement pour cette unique paire.

Les chiffres globaux se confirment également dans les cas de test individuels. En testant 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 » en espagnol, DeepSeek s'est démarqué du consensus des quatre modèles avec « esté hecho » au lieu de « se haga », ce qui est un cas réel de divergence reflétant une distinction grammaticale entre processus et résultat, et non une erreur.

Pourquoi Qwen s'en sort-il mieux spécifiquement pour la traduction vers l'anglais ?

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, des langues sources disposant de grands corpus d'entraînement en anglais bien documentés et généralement accessibles aux concepteurs de modèles. En dehors de cette direction unique, l'avantage de DeepSeek se maintient presque partout : depuis l'anglais, tout comme entre les 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 traduisant des fiches produits de l'espagnol vers six langues et s'attendant au même classement de performance que celui observé lors de la traduction d'un ticket de support chinois vers l'anglais appliquerait la mauvaise leçon de la mauvaise direction, ce qui correspond à la même asymétrie que celle apparaissant dans l'analyse détaillée des modèles de l'espagnol vers l'anglais de MachineTranslation.com, où les modèles de tête ne sont pas les mêmes que ceux qui mènent dans le sens inverse.

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

L'attribution des licences se répartit différemment pour chacun d'eux. DeepSeek distribue à la fois V4 Pro et V4 Flash sous licence MIT, l'une des conditions open-source les plus permissives disponibles, de sorte que les deux sont gratuits pour l'auto-hébergement sans restriction. Pour Qwen, la situation est divisée : Qwen3.8-27B est proposé sous licence Apache 2.0 et est gratuit pour l'auto-hébergement, mais le modèle phare Qwen3.8-Max reste fermé, accessible uniquement par API, et soumis à la propre licence personnalisée d'Alibaba.

En pratique, cela signifie qu'une option aux poids entièrement ouverts (open-weight), sous licence MIT, existe du côté de DeepSeek pour les deux niveaux de qualité. Du côté de Qwen, opter pour l'open-weight signifie renoncer au modèle phare.

Combien coûtent Qwen et DeepSeek à utiliser à grande échelle ?

Suite à la baisse de prix permanente de DeepSeek en mai 2026, ses tarifs d'API actuellement publiés sont de $0.435 per million input tokens (cache miss) and $0.87 par million de tokens de sortie pour V4 Pro, avec V4 Flash proposé à un tarif inférieur pour son niveau optimisé pour la latence.

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

L'un ou l'autre modèle est-il assez sûr 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 sécurité à usage général ne testent pas les modes de défaillance qui importent dans le contenu réglementé : un dosage mal traduit, 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 avec des portées différentes bien que tous deux aient obtenu de bons résultats sur les métriques de qualité générale.

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

Qu'est-ce que cela signifie si vous localisez dans de nombreuses langues à la fois ?

Une comparaison basée sur une seule paire de langues ne vous apprend presque rien sur la quarantième paire. La répartition vers l'anglais/hors de l'anglais documentée ici s'est vérifiée sur un échantillon de 98 paires spécifiquement parce qu'elle a été testée à cette échelle : un simple test anglais-espagnol, ce que la plupart des comparaisons Qwen vs DeepSeek effectuent, aurait montré DeepSeek confortablement en tête et n'aurait rien dit de ce qui se passe une fois que le tamoul, le polonais ou l'hébreu entrent en jeu.

C'est l'argument pratique pour ne pas verrouiller par défaut un grand programme de localisation sur la sortie d'un seul modèle. MachineTranslation.com exécute à la fois Qwen et DeepSeek, ainsi que plus de 20 autres modèles, sur chaque traduction et met en avant 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 vérifier exactement quels modèles se sont accordés ou ont divergé sur une traduction donnée dans le détail des modèles 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 seuls peuvent offrir, ce qui est la réponse directe à ce qui se passe une fois que votre contenu cesse de circuler dans une seule direction.

Foire aux questions