Qwen מול DeepSeek: איזה מודל AI מתרגם טוב יותר?

הרצת‎ ‎אותם‎ 12,000 ‎מקטעי‎ ‎תרגום‎ ‎ב‎-Qwen ‎וב‎-DeepSeek, ‎ו‎-DeepSeek ‎מנצח‎ ‎במרבית‎ ‎צמדי‎ ‎השפות‎. זה‎ ‎לא‎ ‎כל‎ ‎הסיפור‎. פצלו‎ ‎את‎ ‎התוצאות‎ ‎לפי‎ ‎כיוון‎, ‎ודפוס‎ ‎מסוים‎ ‎מתגלה‎: Qwen ‎מצמצם‎ ‎את‎ ‎רוב‎ ‎הפער‎, ‎ולפעמים‎ ‎מוביל‎, ‎במיוחד‎ ‎כאשר‎ ‎שפת‎ ‎היעד‎ ‎היא‎ ‎אנגלית‎. בתרגום‎ ‎מאנגלית‎ ‎לכל‎ ‎שפה‎ ‎אחרת‎, DeepSeek ‎מנצח‎ ‎כמעט‎ ‎בכל‎ ‎פעם‎.‎

החלוקה‎ ‎הזו‎ ‎משמעותית‎ ‎יותר‎ ‎מאשר‎ ‎מנצח‎ ‎כללי‎ ‎יחיד‎ ‎אם‎ ‎אתם‎ ‎מתרגמים‎ ‎תוכן‎ ‎על‎ ‎פני‎ ‎עשת‎ ‎שפות‎ ‎ולא‎ ‎רק‎ ‎צמד‎ ‎שפות‎ ‎אחד‎.‎ 

מהם‎ Qwen ‎ו‎-DeepSeek?

Qwen ‎היא‎ ‎משפחת‎ ‎מודלי‎ ‎השפה‎ ‎הגדולים‎ ‎של‎ Alibaba. הדור‎ ‎הנוכחי‎ ‎הוא‎ Qwen3.8, ‎ששוחרר‎ ‎באוגוסט‎ 2026: Qwen3.8-Max ‎הוא‎ ‎דגם‎ ‎הדגל‎ ‎הסגור‎, ‎הזמין‎ ‎ב‎-API ‎בלבד‎, ‎עם‎ 2.4 ‎טריליון‎ ‎פרמטרים‎, ‎בעוד‎ ‎ש‎-Qwen3.8-27B ‎הוא‎ ‎מודל‎ ‎קטן‎ ‎יותר‎, ‎בעל‎ ‎משקלים‎ ‎פתוחים‎, ‎ששוחרר‎ ‎תחת Apache 2.0 כמה‎ ‎ימים‎ ‎לאחר‎ ‎מכן‎, ‎ומיועד‎ ‎לצוותים‎ ‎שרוצים‎ ‎לארח‎ ‎את‎ ‎המודל‎ ‎בעצמם‎.‏

DeepSeek ‎היא‎ ‎מעבדת‎ AI ‎סינית‎ ‎המוכרת‎ ‎בזכות‎ ‎מודלי‎ mixture-of-experts ‎המציגים‎ ‎ביצועי‎ ‎קצה‎ ‎בשבריר‎ ‎מעלות‎ ‎ההסקה‎. הדור‎ ‎הנוכחי‎ ‎שלה‎, DeepSeek V4, ‎הושק‎ ‎באפריל‎ 2026 ‎בשתי‎ ‎גרסאות‎: V4 Pro (‎סך‎ ‎של‎ 1.6 ‎טריליון‎ ‎פרמטרים‎, ‎כ‎-49 ‎מיליארד‎ ‎פעילים‎ ‎לכל‎ ‎טוקן‎) ‎לעבודה‎ ‎הממוקדת‎ ‎באיכות‎, ‎ו‎-V4 Flash (‎סך‎ ‎של‎ 284 ‎מיליארד‎, ‎כ‎-13 ‎מיליארד‎ ‎פעילים‎) ‎לעומסי‎ ‎עבודה‎ ‎הרגישים‎ ‎לשיהוי‎. שניהם‎ ‎מופצים‎ ‎כ‎-‎ משקלים‎ ‎פתוחים‎ ‎ברישיון‎ MIT‎.‎

כיצד‎ Qwen ‎ו‎-DeepSeek ‎באמת‎ ‎משתווים‎ ‎בתרגום‎, ‎ולא‎ ‎רק‎ ‎במבחני‎ ‎ביצועים‎?‎

מרבית‎ ‎ההשוואות‎ ‎בין‎ Qwen ‎ל‎-DeepSeek ‎מצטטות‎ ‎מבחני‎ ‎ביצועים‎ ‎כלליים‎: ‎תכנות‎, ‎מתמטיקה‎ ‎והסקה‎. אף‎ ‎אחד‎ ‎מאלה‎ ‎אינו‎ ‎מודד‎ ‎את‎ ‎איכות‎ ‎התרגום‎ ‎באופן‎ ‎ישיר‎, ‎והרצת‎ ‎כל‎ ‎מודל‎ ‎על‎ ‎טקסט‎ ‎מקור‎ ‎שונה‎ ‎הופכת‎ ‎את‎ ‎בידוד‎ ‎פער‎ ‎הדיוק‎ ‎מהדרישות‎ ‎של‎ ‎הטקסט‎ ‎עצמו‎ ‎לבלתי‎ ‎אפשרי‎.‎

תעבורת‎ ‎התרגום‎ ‎של‎ MachineTranslation.com ‎עצמו‎ ‎במהלך‎ 28 ‎הימים‎ ‎האחרונים‎ ‎מספקת‎ ‎תשובה‎ ‎ברורה‎ ‎יותר‎, ‎מכיוון‎ ‎ששני‎ ‎המודלים‎ ‎תרגמו‎ ‎את‎ ‎אותו‎ ‎טקסט‎ ‎מקור‎ ‎בדיוק‎. ב‎-98 ‎צמדי‎ ‎שפות‎ ‎ויותר‎ ‎מ‎-12,000 ‎מקטעים‎ ‎תואמים‎, DeepSeek ‎קיבל‎ ‎ציון‎ ‎גבוה‎ ‎יותר‎ ‎ב‎-83 ‎צמדים‎; Qwen ‎קיבל‎ ‎ציון‎ ‎גבוה‎ ‎יותר‎ ‎ב‎-15. צמצמו‎ ‎זאת‎ ‎ל‎-27 ‎הצמדים‎ ‎שבהם‎ ‎שפת‎ ‎היעד‎ ‎היא‎ ‎אנגלית‎, ‎והפער‎ ‎מצטמצם‎ ‎בחדות‎: DeepSeek ‎מנצח‎ ‎ב‎-63% ‎מהם‎ (17 ‎מתוך‎ 27), Qwen ‎מנצח‎ ‎ב‎-37% (10 ‎מתוך‎ 27). ב‎-71 ‎הצמדים‎ ‎הנותרים‎, ‎שבהם‎ ‎אנגלית‎ ‎אינה‎ ‎שפת‎ ‎היעד‎, DeepSeek ‎מנצח‎ ‎ב‎-92% (66 ‎מתוך‎ 71).‎

שיעור‎ ‎ניצחונות‎ ‎לפי‎ ‎כיוון‎ ‎תרגום‎ (98 ‎צמדי‎ ‎שפות‎, ‎טקסט‎ ‎זהה‎)‏

הממוצע‎ ‎המשוקלל‎ ‎בכל‎ ‎מקטע‎ ‎תואם‎ ‎מעמיד‎ ‎את‎ DeepSeek ‎על‎ 9.13 ‎מתוך‎ 10 ‎ואת‎ Qwen ‎על‎ 8.98. זהו‎ ‎פער‎ ‎אמיתי‎, ‎אך‎ ‎הוא‎ ‎אינו‎ ‎מפוזר‎ ‎באופן‎ ‎שווה‎, ‎וזהו‎ ‎המידע‎ ‎השימושי‎ ‎יותר‎ ‎אם‎ ‎התוכן‎ ‎שלכם‎ ‎נע‎ ‎ביותר‎ ‎מכיוון‎ ‎אחד‎. זוהי‎ ‎אותה‎ ‎גישת‎ ‎ראש‎ ‎בראש‎ ‎שבה‎ MachineTranslation.com ‎משתמש‎ ‎בכל בדיקות‎ ‎השוואת‎ ‎המודלים‎ ‎המלאות‎ ‎שלו‎, ‎לא‎ ‎רק‎ ‎עבור‎ ‎הצמד‎ ‎הבודד‎ ‎הזה‎.‎

הנתונים‎ ‎המצטברים‎ ‎מחזיקים‎ ‎מעמד‎ ‎גם‎ ‎במקרי‎ ‎מבחן‎ ‎פרטניים‎. בבדיקת‎ ‎הביטוי‎ ‎בצרפתית‎ "Elle est directrice adjointe du département commercial", DeepSeek ‎ו‎-Qwen ‎התכנסו‎ ‎לאותו‎ ‎תרגום‎ ‎לאנגלית‎, "deputy director of commercial department". ניתן‎ ‎לבדוק‎ ‎את תוצאת‎ ‎הבדיקה‎ ‎החיה‎ ‎הזו ישירות‎. בבדיקת‎ "as soon as possible" ‎בתרגום‎ ‎לספרדית‎, DeepSeek ‎חרג‎ ‎מהקונצנזוס‎ ‎של‎ ‎ארבעת‎ ‎המודלים‎ ‎עם‎ "esté hecho" ‎במקום‎ "se haga", ‎שהוא מקרה‎ ‎של‎ ‎חריגה‎ ‎אמיתית המשקף‎ ‎הבחנה‎ ‎דקדוקית‎ ‎של‎ ‎תהליך‎ ‎לעומת‎ ‎תוצאה‎, ‎ולא‎ ‎טעות‎.‎

מדוע‎ Qwen ‎מצליח‎ ‎יותר‎ ‎בתרגום‎ ‎לאנגלית‎ ‎באופן‎ ‎ספציפי‎?‎

הנתונים‎ ‎אינם‎ ‎מסבירים‎ ‎מדוע‎, ‎אלא‎ ‎רק‎ ‎היכן‎. כמה‎ ‎מצמדי‎ ‎השפות‎ ‎החזקים‎ ‎ביותר‎ ‎של‎ Qwen ‎לאנגלית‎ ‎הם‎ ‎טמילית‎, ‎סינית‎, ‎פולנית‎, ‎איטלקית‎ ‎ועברית‎, ‎שהן‎ ‎שפות‎ ‎מקור‎ ‎עם‎ ‎קורפוסי‎ ‎אימון‎ ‎גדולים‎ ‎ומבוססים‎ ‎בשפה‎ ‎האנגלית‎ ‎הזמינים‎ ‎לבוני‎ ‎מודלים‎ ‎באופן‎ ‎כללי‎. מחוץ‎ ‎לכיוון‎ ‎האחד‎ ‎הזה‎, ‎היתרון‎ ‎של‎ DeepSeek ‎נשמר‎ ‎כמעט‎ ‎בכל‎ ‎מקום‎: ‎מאנגלית‎, ‎וכמו‎ ‎כן‎ ‎בין‎ ‎צמדי‎ ‎שפות‎ ‎שאינן‎ ‎אנגלית‎.‎

מה‎ ‎שזה‎ ‎שולל‎ ‎הוא‎ ‎התייחסות‎ ‎למי‎ ‎מהמודלים‎ ‎כברירת‎ ‎מחדל‎ ‎אוניברסלית‎. צוות‎ ‎המתרגם‎ ‎רשימות‎ ‎מוצרים‎ ‎מספרדית‎ ‎לשש‎ ‎שפות‎ ‎ומצפה‎ ‎לאותו‎ ‎דירוג‎ ‎ביצועים‎ ‎שראה‎ ‎בתרגום‎ ‎פניית‎ ‎תמיכה‎ ‎מסינית‎ ‎לאנגלית‎, ‎יחיל‎ ‎את‎ ‎הלקח‎ ‎הלא‎ ‎נכון‎ ‎מהכיוון‎ ‎הלא‎ ‎נכון‎, ‎וזוהי‎ ‎אותה‎ ‎אסימטריה‎ ‎המופיעה‎ ‎בניתוח‎ ‎המודלים‎ ‎של‎ ‎ספרדית‎-‎לאנגלית‎ ‎ב‎-‏ MachineTranslation.com, ‎שבו‎ ‎המודלים‎ ‎המובילים‎ ‎אינם‎ ‎אותם‎ ‎מודלים‎ ‎המובילים‎ ‎בכיוון‎ ‎ההפוך‎.‎

האם‎ Qwen ‎ו‎-DeepSeek ‎הם‎ ‎חינמיים‎ ‎ובקוד‎ ‎פתוח‎?‎

הרישוי‎ ‎מתפצל‎ ‎באופן‎ ‎שונה‎ ‎עבור‎ ‎כל‎ ‎אחד‎ ‎מהם‎. DeepSeek ‎מעניקה‎ ‎רישיון‎ ‎הן‎ ‎עבור‎ V4 Pro ‎והן‎ ‎עבור‎ V4 Flash ‎תחת‎ MIT, ‎אחד‎ ‎מתנאי‎ ‎הקוד‎ ‎הפתוח‎ ‎המתירניים‎ ‎ביותר‎ ‎שישנם‎, ‎כך‎ ‎ששניהם‎ ‎חופשיים‎ ‎לאירוח‎ ‎עצמי‎ ‎ללא‎ ‎הגבלה‎. Qwen ‎מפוצל‎: Qwen3.8-27B ‎מופץ‎ ‎תחת‎ Apache 2.0 ‎והוא‎ ‎חופשי‎ ‎לאירוח‎ ‎עצמי‎, ‎אך‎ ‎מודל‎ ‎הדגל‎ Qwen3.8-Max ‎נשאר‎ ‎סגור‎, ‎בגישת‎ API ‎בלבד‎, ‎ותחת‎ ‎רישיון‎ ‎מותאם‎ ‎אישית‎ ‎של‎ Alibaba.‎

בפועל‎, ‎המשמעות‎ ‎היא‎ ‎שקיימת‎ ‎אפשרות‎ ‎של‎ ‎משקלים‎ ‎פתוחים‎ (open-weight) ‎ברישיון‎ MIT ‎בצד‎ ‎של‎ DeepSeek ‎בשתי‎ ‎רמות‎ ‎האיכות‎. בצד‎ ‎של‎ Qwen, ‎מעבר‎ ‎למשקלים‎ ‎פתוחים‎ (open-weight) ‎פירושו‎ ‎ויתור‎ ‎על‎ ‎מודל‎ ‎הדגל‎.‎

כמה‎ ‎עולה‎ ‎להריץ‎ ‎את‎ Qwen ‎ואת‎ DeepSeek ‎בקנה‎ ‎מידה‎ ‎רחב‎?‎

בעקבות‎ ‎הפחתת‎ ‎המחיר‎ ‎הקבועה‎ ‎של‎ DeepSeek ‎במאי‎ 2026, ‎תעריפי‎ ‎ה‎-API ‎המפורסמים‎ ‎הנוכחיים‎ ‎שלה‎ ‎הם‎ ‏$0.435 per million input tokens (cache miss) and $‎0.87 ‎למיליון‎ ‎טוקנים‎ ‎של‎ ‎פלט‎ ‎עבור‎ V4 Pro, ‎כאשר‎ V4 Flash ‎מתומחר‎ ‎נמוך‎ ‎יותר‎ ‎עבור‎ ‎שכבת‎ ‎הביצועים‎ ‎מותאמת‎ ‎השהיה‎ ‎שלו‎.‎

עבור‎ ‎צוותים‎ ‎המארחים‎ ‎עצמית‎ ‎את‎ ‎אחד‎ ‎המודלים‎ ‎במקום‎ ‎להשתמש‎ ‎ב‎-API ‎מארח‎, ‎השוואת‎ ‎העלויות‎ ‎עוברת‎ ‎לחלוטין‎ ‎לתשתית‎ GPU ‎והופכת‎ ‎לפונקציה‎ ‎של‎ ‎מספר‎ ‎הפרמטרים‎ ‎ויעילות‎ ‎הפרמטרים‎ ‎הפעילים‎ (active-parameter efficiency), ‎ולא‎ ‎לתעריף‎ ‎לכל‎ ‎טוקן‎.‎

האם‎ ‎אחד‎ ‎מהמודלים‎ ‎בטוח‎ ‎מספיק‎ ‎עבור‎ ‎תוכן‎ ‎משפטי‎, ‎רפואי‎ ‎או‎ ‎מפוקח‎?‎

אף‎ ‎אחד‎ ‎מהמודלים‎ ‎אינו‎ ‎מפרסם‎ ‎אישורי‎ ‎בטיחות‎ ‎ספציפיים‎ ‎לתרגום‎, ‎ומדדי‎ ‎בטיחות‎ ‎למטרות‎ ‎כלליות‎ ‎אינם‎ ‎בוחנים‎ ‎את‎ ‎מצבי‎ ‎הכשל‎ ‎החשובים‎ ‎בתוכן‎ ‎מפוקח‎: ‎מינון‎ ‎שתורגם‎ ‎באופן‎ ‎שגוי‎, ‎סעיף‎ ‎חבות‎ ‎שהשתנה‎, ‎או‎ ‎מונח‎ ‎משפטי‎ ‎לא‎ ‎עקבי‎. הבדיקות‎ ‎של‎ MachineTranslation.com ‎עצמה‎ ‎מצאו‎ ‎בדיוק‎ ‎סוג‎ ‎כזה‎ ‎של‎ ‎סטייה‎ ‎בין‎ ‎מודלים‎ ‎בשפה‎ ‎משפטית‎ ‎ורפואית‎, ‎כולל‎ ‎מקרים‎ ‎שבהם‎ ‎מודלים‎ ‎השתמשו‎ ‎ב‎-‎ מונחים‎ ‎משפטיים‎ ‎שונים‎ ‎בעלי‎ ‎היקפים‎ ‎שונים ‎ ‎למרות‎ ‎ששניהם‎ ‎קיבלו‎ ‎ציונים‎ ‎גבוהים‎ ‎במדדי‎ ‎איכות‎ ‎כלליים‎.‎

עבור‎ ‎חוזים‎, ‎מסמכי‎ ‎הגירה‎ ‎או‎ ‎תוכן‎ ‎קליני‎, ‎זהו‎ ‎הטיעון‎ ‎בעד‎ ‎שילוב‎ ‎הפלט‎ ‎של‎ ‎כל‎ ‎אחד‎ ‎מהמודלים‎ ‎עם‎ ‎ שלב‎ ‎אימות‎ ‎אנושי ‎ ‎במקום‎ ‎לבטוח‎ ‎בפלט‎ AI ‎בודד‎ ‎כפשוטו‎, ‎ללא‎ ‎קשר‎ ‎למודל‎ ‎שהפיק‎ ‎אותו‎.‎

מה‎ ‎המשמעות‎ ‎של‎ ‎זה‎ ‎אם‎ ‎אתם‎ ‎מבצעים‎ ‎לוקליזציה‎ ‎לשפות‎ ‎רבות‎ ‎בבת‎ ‎אחת‎?‎

השוואה‎ ‎המבוססת‎ ‎על‎ ‎צמד‎ ‎שפות‎ ‎אחד‎ ‎אינה‎ ‎מספרת‎ ‎לכם‎ ‎כמעט‎ ‎דבר‎ ‎על‎ ‎צמד‎ ‎מספר‎ ‎ארבעים‎. הפיצול‎ ‎של‎ "‎אל‎ ‎אנגלית‎ / ‎מאנגלית‎" ‎המתועד‎ ‎כאן‎ ‎נשמר‎ ‎על‎ ‎פני‎ ‎מדגם‎ ‎של‎ 98 ‎צמדים‎ ‎דווקא‎ ‎מכיוון‎ ‎שהוא‎ ‎נבדק‎ ‎בקנה‎ ‎מידה‎ ‎כזה‎: ‎בדיקה‎ ‎בודדת‎ ‎של‎ ‎אנגלית‎-‎לספרדית‎, ‎שזה‎ ‎מה‎ ‎שרוב‎ ‎השוואות‎ Qwen ‎מול‎ DeepSeek ‎מריצות‎, ‎הייתה‎ ‎מראה‎ ‎את‎ DeepSeek ‎מוביל‎ ‎בנוחות‎ ‎ולא‎ ‎אומרת‎ ‎דבר‎ ‎על‎ ‎מה‎ ‎שקורה‎ ‎ברגע‎ ‎שטמילית‎, ‎פולנית‎ ‎או‎ ‎עברית‎ ‎נכנסות‎ ‎לתהליך‎.‎

זהו‎ ‎הטיעון‎ ‎המעשי‎ ‎נגד‎ ‎נעילת‎ ‎תוכנית‎ ‎לוקליזציה‎ ‎גדולה‎ ‎לפלט‎ ‎של‎ ‎מודל‎ ‎יחיד‎ ‎כברירת‎ ‎מחדל‎. MachineTranslation.com ‎מריץ‎ ‎הן‎ ‎את‎ Qwen ‎והן‎ ‎את‎ DeepSeek, ‎לצד‎ ‎יותר‎ ‎מ‎-20 ‎מודלים‎ ‎אחרים‎, ‎בכל‎ ‎תרגום‎ ‎ומציג‎ ‎את‎ ‎הגרסה‎ ‎שעליה‎ ‎מודלים‎ ‎אלו‎ ‎מסכימים‎ ‎ביותר‎, ‎כך‎ ‎שהשקה‎ ‎ב‎-68 ‎שפות‎ ‎אינה‎ ‎תלויה‎ ‎במודל‎ ‎שבמקרה‎ ‎ניצח‎ ‎בצמד‎ ‎היחיד‎ ‎שמישהו‎ ‎בדק‎ ‎ראשון‎. באפשרותכם‎ ‎לראות‎ ‎בדיוק‎ ‎אילו‎ ‎מודלים‎ ‎הסכימו‎ ‎או‎ ‎נחלקו‎ ‎בכל‎ ‎תרגום‎ ‎נתון‎ ‎ב‎-‎ פירוט‎ ‎המודלים‎ ‎לפי‎ ‎תרגום ‎ ‎שהפלטפורמה‎ ‎מציגה‎ ‎עבור‎ ‎כל‎ ‎תוצאה‎.‎

כל‎ ‎תרגום‎ ‎נבדק‎ ‎מול‎ ‎מגוון‎ ‎רחב‎ ‎יותר‎ ‎של‎ ‎מודלים‎ ‎ממה‎ ‎ש‎-Qwen ‎או‎ DeepSeek ‎לבדם‎ ‎יכולים‎ ‎להציע‎, ‎וזו‎ ‎התשובה‎ ‎הישירה‎ ‎למה‎ ‎שקורה‎ ‎ברגע‎ ‎שהתוכן‎ ‎שלכם‎ ‎מפסיק‎ ‎לנוע‎ ‎בכיוון‎ ‎אחד‎ ‎בלבד‎.‎

שאלות‎ ‎נפוצות