Hvaða gervigreindarvefur er nákvæmastur árið 2026? Ég prófaði 10 af nýjustu gervigreindarlíkönunum

Test 2: Andlyndi setning → Vetneskur (báðir umferðir)

Mikilvæg niðurstaða: læknisfræðileg hugtök

Kafli 5: ‎"Það er ótrúlegt" — hvað gerist þegar tvíræðni er ætlunin

Sumar upprunasetningar eru tvíræðar af ásetningi. ‎"Það er ógeðslegt" í samtímamáli ensku slangri þýðir eitthvað framúrskarandi, en það gegnir enn sinni bókstafslegu merkingu (það er skapandi/viðbjóðslegt), og spennan milli þessara tveggja merkinga er hluti af því hvernig setningin tjáir sig. Áskorunin fyrir þýðingarlíkan er: geturðu varðveitt tvíræðni, fellt hana saman í líklegasta merkinguna, eða valið eina og skuldbundið þig?

Japanskar úttakir

Vítnamskir úttakir

Niðurstaða: tvíræðni og fráviki innan sömu fjölskyldu

Kafli 6: Hvernig líkanasafnið lítur út

Líkönin í þessari prófi eru ekki öll jafngild. Þeir spanna mismunandi arkitektúra, þjálfunaraðferðir og dreifingarkontexta. ‎1. umferð grunnlínan inniheldur gerðir sem eru víðlega aðgengilegar. Útvíkkuð laug 2. umferðar bætir við nokkrum af nýjustu iðkum úrvalsgæða sem nú eru fáanlegir fyrir borgandi notendur á MachineTranslation.com, sama stig líkans sem myndi að öðrum kosti þýða sérstakan greiddan reikning hjá hverjum einstökum veitanda.

Útvíkkuð laug í 2. umferð inniheldur líkön sem eru fullkomnari og fáanleg fyrir borgandi notendur á MachineTranslation.com. Áhrif þess að stækka hópinn eru ekki jöfn. Í sumum prófum (formlegheit/japönsk), breyttist samstaðan þýðingarlega. Hjá öðrum (læknisfræðileg hugtök/Víetnam) dýpkaðist klofningurinn.

Kafli 7: Hvað þetta þýðir ef þú ert að velja þýðingarvettvang

Prófunargögnin benda til tveggja aðskildra bilunarflokka og þeir krefjast mismunandi viðbragða.

Flokkur A: Þögul bilun. Formlegir villur, skrástillir villur, nákvæmni læknisfræðilegrar hugtakanotunar: þetta framleiðir úttök sem líta út fyrir að vera rétt. Japanski er málfræðilega rétt. Vietnamski er fljótandi. Það er engin yfirborðsmerki um að eitthvað hafi farið úrskeiðis. Einmáls notandi sem les úttak frá einu líkani hefur engan leið til að vita að líkanið gerði skráningarval sem eldri japanski framkvæmdastjóri myndu taka eftir, eða að klínískt hugtak var þrengað á þann hátt sem breytir þeim hópi sem það á við um.

Flokkur B: Sýnileg bilun. MiniMax þýðir "burning the midnight oil" sem "burning torches." GPT-4.1-NANO leysti "That's sick" í ótvíræðu "すごい." Þetta eru greinileg, annað hvort fyrir málhafa markmiðsmálsins eða með samanburði á öðrum framleiðslum líkana.

Fjölmódelsamanburðurinn sem SMART veitir er mest dýrðlegur í flokki A. Þegar fimm eða tíu líkön framleiða úttök og flestir eru sammála um formlega skrá á meðan ein framleiðir óformleg einfalt japanskt, er ósamkomulagið sýnilegt í samanburðarútsýninni. Notandi sem talar markmálið getur metið valkostina. Notandi sem getur ekki séð að umdeild ákvörðun var tekin getur ákveðið hvort sú setning þarf mannlega endurskoðun.

Fyrir vinnu á skjölastigi, stór skrár, útlitshaldandi þýðingu PDF-skjala, samninga eða klínísks efnis, geta skjalavinnslugeta vettvangsins séð um skjalabyggingu án þess að brjóta sniðið. En þeim endalaust, en gæðaspurningarnar sem settar voru fram hér að ofan eiga við óháð skráarstærð. ‎100 blaðsíðna klínísk rannsókn þar sem hver tilvik af "hepatísku skerðingu" er þýtt sem "lifrarbilunar" er stærri útgáfa af sama vandamálinu sem greint var í prófi 2.

Fyrir læknisfræði- og lagaflokka sérstaklega er mannversk sannprófun rétt bakstopp. Tomedes' AI-eftirritstjórnarþjónusta, sem sameinar AI-úttak með vottuðum mannlegum endurskoðun fyrir nákvæmlega þessa tegund háhættuefnis, er byggð fyrir þetta. Suy gan / suy giảm chức năng gan skiptingin er nákvæmlega sú tegund niðurstöðu sem ætti að koma af stað þeirri endurskoðun, ekki vegna þess að öll módel séu röng, heldur vegna þess að módelin sem eru mest sjálfsörugg eru ekki nákvæmust.

Gildi þess að sjá margar úttakir er ekki að þú veljir alltaf meirihlutann. Það er það að þú munt vita að val var gert, sem er frábrugðið því að gera ráð fyrir að úttakið fyrir framan þig sé rétt.

Það sem átta setningar sögðu mér í raun

Settu átta prófanirnar hlið við hlið og mynstur heldur sér: samkomulag og ósamkomulag eru ekki dreifð af handahófi. Orðasambönd og daglegur viðskiptamál ("touch base," "burning the midnight oil") sameinuðust í næstum öllum líkönum í safninu, í báðum umferðum. Formlegt tungumál, lagaleg nákvæmni og læknisfræðileg hugtök gerðu það ekki. Próf um formlegt framkomulag forstjóra skipti úr óformlegri yfir í formlega framkomu aðeins þegar stærri hópur var tekinn með. Skaðabótaákvæðið leiddi í ljós raunverulegan lagalegan mun (免責 vs. 補償) sem aðeins ein gerð, í einni umferð, komst að því að rétt væri. Læknisfræðileg hugtökaflutningur var aldrei leystur, heldur stóð hann við um það bil 6-til-4 hlutfall í báðum umferðum óháð því hvaða líkön voru í safninu.

Það er raunverulegi niðurstaðan, ekki markaðskrafa: samstaða gerir ekki hverja setningu betri, og hún þarf ekki að gera það. Það er mest dýrmæt þar sem flæði eins líkans gefur þér engar ástæður til að efast um það, og þar sem það að hafa rangt getur kostað eitthvað.

Það er annað, hagnýtara lag á þessu prófi sem vert er að fullyrða skýrt. Að keyra þennan samanburð sjálf(ur) þýddi að athuga úttök frá GPT-5.5, Claude Opus 4-7, Gemini 3.5-Flash, GLM-5-Turbo, og MiniMax M2.7 hlið við hlið með fyrirliggjandi grunnlínulíkönum, á einum stað, á einni vettvangi. Utan MachineTranslation.com, það er ekki ein áskrift. Það eru nokkrar, ein fyrir hvern veitanda sem þú vilt prófa úrvalsgetu hans, á því verði sem hver veitandi rukkar fyrir sig. Greiðandi notendur hér fá sömu samanburð með einum smelli, fyrir brot af því sem það myndi kosta að viðhalda fimm aðskildum úrvalsskráningum, án þess að gefa eftir því sem skiptir raunverulega máli: að sjá hvar líkönin eru sammála, og vita nákvæmlega hvenær þau eru það ekki.

Algengar spurningar