AI ដូចគ្នា មូដែលខុសគ្នា — ហើយការបកប្រែមិនអាចខុសគ្នាជាងនេះបានទេ

ខ្ញុំបានធ្វើតេស្តផ្ទៃក្នុងលើអ្វីមួយដែលយើងមិនបាននិយាយគ្រប់គ្រាន់ នៅក្នុងឧស្សាហកម្មបកប្រែ៖ មិនមែនថាតើប្រព័ន្ធ AI ផ្សេងៗបកប្រែ ខុសគ្នាទេ ប៉ុន្តែថាតើកំណែផ្សេងៗគ្នានៃ AI តែមួយបកប្រែ ខុសគ្នាឬយ៉ាងណា — ហើយខុសគ្នាប៉ុន្មាន។

សប្តាហ៍មុន ខ្ញុំបានបកប្រែឃ្លាអេស្ប៉ាញតែមួយទៅក្នុងកំណែ ChatGPT ចំនួនប្រាំ ក្នុងពេលដំណាលគ្នានៅលើវេទិកាតេស្តផ្ទៃក្នុងរបស់ MachineTranslation.com ។ អ្វីដែលបានត្រឡប់មកវិញបានធ្វើឱ្យខ្ញុំឈប់។

ពីរ នៃកំណែទាំងនោះបានបង្កើតការបកប្រែដែលជាការពិត គ្មានន័យជា ភាសាអង់គ្លេស។ បី​កំណែ​បាន​ផលិត​ការ​បកប្រែ​ដែល​ត្រឹមត្រូវ​តាម​លក្ខណៈ​នៃ​ភាសា។ ហើយ​អ្នក​ទាំង​បី​ដែល​ត្រឹមត្រូវ​នោះ​មិន​យល់​ស្រប​គ្នា​ទេ។

ទាំង​ប្រាំ​សុទ្ធតែ​ជា ChatGPT។ ទាំងប្រាំគឺជារបស់ OpenAI។ AI ដដែល រូបមន្តផ្សេង — ហើយលទ្ធផលមិនអាចខុសគ្នាជាងនេះទៀតទេ។

ខ្ញុំចែករំលែករឿងនេះឥឡូវនេះ ព្រោះខ្ញុំគិតថាវាសំខាន់ មិនមែនដោយសារតែខ្ញុំមានចម្លើយ ដែលច្បាស់លាស់ទេ។ ខ្ញុំមិនបានទេ។ ប៉ុន្តែការសង្កេតនេះមានការចាប់អារម្មណ៍គ្រប់គ្រាន់ដើម្បី ដាក់ចូលទៅក្នុងពិភពលោក។

Table of contents

• The test: สำนวนสเปนหนึ่งสำนวน, GPT ห้าเวอร์ชัน
• เหตุใดสำนวนนี้จึงเป็นกรณีทดสอบที่ดี
• การแยกความหมายตรงตัวกับสำนวนบอกอะไรเราเกี่ยวกับวิธีการฝึกฝนโมเดลเหล่านี้
• นัยที่ดูเหมือนจะไม่มีใครพูดถึง
• แม้แต่คำแปลที่ ถูกต้อง ก็ยังขัดแย้งกันเอง
• สิ่งที่ฉันยังไม่รู้
• คำถามวิจัยสองข้อที่ควรพิจารณา

การทดสอบ: សុភាសិតអេស្ប៉ាញមួយ 5 ជំន GPT

ឃ្លាដែលខ្ញុំបានសាកល្បងគឺllevarse el gato al agua.

នេះជាអ្វីដែលជំននីមួយៗបានបង្កើតឡើង:

ឃ្លានេះមានន័យថាសម្រេចបានអ្វីមួយដែលពិបាកប្រឆាំងនឹងឧបសគ្គ ដើម្បី ទទួលបានជ័យជំនះដ៏លំបាក។ វាគ្មានអ្វីเกี่ยวข้องនឹងឆ្មា ឬទឹកទេ។ ការបកប្រែតាមព្យញ្ជនៈមិនមែនជាការបកប្រែទេ។ វា​ជា​ការ​ចម្លង​តាម​ព្យញ្ជនៈ​មួយ​ពាក្យ​ដោយ​ពាក្យ នៃ​ឃ្លា​មួយ​ដែល​ម៉ូដែល​មិន​អាច​ទទួល​ស្គាល់​ថា​ជា​ទម្លាប់​។

GPT-4o-MINI និង GPT-4.1-NANO បាន​បង្កើត​លទ្ធផល​ដូចគ្នា​។ មិន​ដូច​គ្នា​ទេ គឺ​ដូច​គ្នា​ទាំងស្រុង។ Our Translation Insights បាន​សម្គាល់​ឃើញ​រឿង​នេះ​ដោយ​ផ្ទាល់៖ GPT-4.1-nano និង GPT-4o-mini ចែករំលែកការបកប្រែដូចគ្នា ដោយសង្កត់ធ្ងន់លើការបកស្រាយតាមព្យញ្ជនៈ លើអត្ថន័យតាមទម្លាប់។

GPT-4.1-MINI, GPT-5.4-MINI, និង GPT-5.4 នីមួយៗបានបង្កើតអ្វីមួយដែល ត្រឹមត្រូវតាមការទទួលស្គាល់ — ប៉ុន្តែមិនដូចគ្នាទៅវិញទៅមកទេ។

ហេតុ​អ្វី​បាន​ជា​ទម្លាប់​នេះ​ធ្វើ​ឱ្យ​មាន​ករណី​សាកល្បង​ល្អ

ខ្ញុំ​ចង់​មាន​ភាព​ជាក់លាក់​អំពី​មូលហេតុ​ដែល llevarse el gato al agua ជា​ការ​បញ្ចូល​ការ​សាកល្បង​ដែល​មាន​ប្រយោជន៍​ជា​ជាង​ការ​ជ្រើសរើស​ដោយ​ចេតនា។

វា​ជា​ទម្លាប់​ដែល​បាន​បង្កើត​ឡើង​យ៉ាង​ល្អ។ វាលេចឡើងក្នុងអក្សរសិល្ប៍ កាសែត និងការនិយាយប្រចាំថ្ងៃ។ វាមិនមែនជាការលំបាកទេ។ ម៉ូដែលណាមួយដែលត្រូវបានបណ្តុះបណ្តាលលើសំណុំទិន្នន័យអត្ថបទភាសាអេស្ប៉ាញ សមរម្យគួរតែបានជួបប្រទះវា។ សំណួរ គឺមិនមែនថាតើម៉ូដែលបានឃើញឃ្លានោះទេ។ សំណួរ គឺថា តើវាធ្វើអ្វីជាមួយវា។

របៀប​បរាជ័យ​អាក្រក់​បំផុត​ក្នុង​ការ​បក​ប្រែ​ទស្សនវិជ្ជា​គឺ​មិន​មែន​ជា​ការ​បក​ប្រែ​អាក្រក់​នោះ​ទេ។ វា​កំពុង​បង្កើត​ការ​បកប្រែ​តាម​ព្យញ្ជនៈ​ដែល មើល​ទៅ អាច​ទទួល​យក​បាន​សម្រាប់​អ្នក​ដែល​មិន​ស្គាល់​ភាសា​គោលដៅ។

To carry the cat to the water គឺ​ជា​ភាសា​អង់គ្លេស​ដែល​ត្រឹមត្រូវ​តាម​វេយ្យាករណ៍។ វា មានទម្រង់ត្រឹមត្រូវ។ វាស្តាប់ទៅដូចជាអ្វីមួយដែលអាចមានន័យអ្វីមួយ។ អ្នកប្រើដែលមិនចេះនិយាយភាសាអេស្ប៉ាញអាចអានវា ងក់ក្បាល ហើយបន្តទៅមុខ — ដោយមិនដែលដឹងថាអត្ថន័យដើមត្រូវបានបាត់បង់ទាំងស្រុងនោះទេ។

នោះគឺជារបៀបបរាជ័យដែលខ្ញុំខ្វល់។ មិនមែនជាកំហុសដែលឃើញច្បាស់ទេ។ អ្នកដែលមើលមិនឃើញ។

អ្វីដែលការបែងចែកតាមព្យញ្ជនៈទៅជាទម្លាប់ប្រាប់យើងអំពីរបៀបដែលគំរូទាំងនេះត្រូវបានបណ្តុះបណ្តាល

លំនាំនៅទីនេះមិនមែនជារឿងចៃដន្យទេ។ ម៉ូដែល​ទាំង​ពីរ​ដែល​បង្កើត​ការ​បក​ប្រែ​តាម​ព្យញ្ជនៈ (GPT-4o-MINI និង GPT-4.1-NANO) សុទ្ធតែ​ជា​ម៉ូដែល​តូច​ជាង និង​ស្រាល​ជាង ដែល​ត្រូវ​បាន​បង្កើន​ប្រសិទ្ធភាព​សម្រាប់​ល្បឿន និង​ប្រសិទ្ធភាព​ចំណាយ។ ម៉ូដែលទាំងបី ដែលបានបង្កើតការបកប្រែតាមលក្ខណៈidiomatic (GPT-4.1-MINI, GPT-5.4-MINI, GPT-5.4) តំណាងឱ្យជំនាន់ ឬ មាត្រដ្ឋានប៉ារ៉ាម៉ែត្រផ្សេងគ្នា។

នេះបង្ហាញពីអ្វីដែលខ្ញុំគិតថា មិនទាន់ត្រូវបានសិក្សាច្រើនទេ៖សមត្ថភាពidiomatic ក្នុងការបកប្រែ កើនឡើងតាមសមត្ថភាពម៉ូដែលតាមវិធីដែល មិនអាចមើលឃើញនៅក្នុងការវាស់វែងទូទៅ។

ការវាស់វែងភាសាទូទៅ ធ្វើតេស្តការគិត ការដឹង ការសរសេរកូដ គណិតវិទ្យា។ ជាទូទៅ ពួកគេមិនធ្វើតេស្តថាតើម៉ូដែលមួយអាចសម្គាល់បានដែរឬទេ ថា it's raining cats and dogs គឺមិនមែននិយាយអំពីលក្ខខណ្ឌអាកាសធាតុនោះទេ ឬក៏ថា llevarse el gato al agua គឺមិនមែននិយាយអំពីការផ្តល់ទឹកឱ្យឆ្មាផំនោះទេ។ សំនួនវោហារសព្ទស្ថិតនៅចំណុចប្រសព្វនៃចំណេះដឹងវប្បធម៌, ការសន្និដ្ឋាន តាមបរិបទ, និងការសម្គាល់ទម្រង់ (pattern recognition) — ហើយចំណុចប្រសព្វនោះហាក់ដូចជា តម្រូវឱ្យមានកម្រិតសមត្ថភាពម៉ូដែលមួយដែលម៉ូដែលតូចៗមិន អាចឈានដល់ជាប្រចាំនោះទេ។

អ្វីដែលខ្ញុំមិនបានអះអាង៖ ថាគ្មានន័យថាម៉ូដែលធំៗតែងតែជាអ្នកបកប្រែ ល្អជាងនោះទេ។ ខ្ញុំមិនមានភស្តុតាងសម្រាប់រឿងនោះជាច្បាប់ទូទៅទេ។ អ្វីដែលខ្ញុំកំពុងសង្កេតឃើញ៖ ថាសម្រាប់ខ្លឹមសារដែលប្រើពាក្យទូទៅជាពិសេស គម្លាតកំណែក្នុងគ្រួសារគឺធំជាងការរំពឹងទុករបស់ខ្ញុំ។

អត្ថន័យដែលហាក់ដូចជាគ្មាននរណាម្នាក់កំពុងនិយាយអំពីវា

អ្នកប្រើភាគច្រើនដែលប្រើឧបករណ៍បកប្រែដោយ AI មិនដឹងថាពួកគេកំពុងប្រើកំណែ ណាមួយរបស់ AI នោះទេ។ ពួក​គេ​បើក​ផលិតផល​មួយ, ជ្រើសរើស​គូ ភាសា, ហើយ​ទទួល​បាន​លទ្ធផល។ ការកំណត់เส้นทางโมเดลមើលไม่เห็นสำหรับพวกเขา។

สิ่งนี้มีความสำคัญในระดับใหญ่។ MachineTranslation.com បានដំណើរការការងារបកប្រែពីភាសាអង់គ្លេសទៅអេស្ប៉ាញជាងរាប់សែនក្នុងរយៈពេលតែ ៩០ ថ្ងៃប៉ុណ្ណោះ។ ប្រសិនបើ ផ្នែកសំខាន់នៃការងារទាំងនោះប៉ះពាល់ដល់មាតិកាដែលជាទម្លាប់ (ការផ្សាយពាណិជ្ជកម្ម ការប្រើប្រាស់ភាសាផ្លូវការ អត្ថបទអក្សរសាស្ត្រ ការទំនាក់ទំនងធម្មតា) ហើយឧបករណ៍ដែលបញ្ជូនការងារទាំងនោះបានបញ្ជូនអ្នកប្រើប្រាស់ទៅកាន់ ម៉ូដែលតូចជាងដោយមិនដឹងខ្លួន នោះ to carry the cat to the water បានលេចឡើងនៅក្នុងលទ្ធផលពិត ប្រាកដនៅក្នុងឯកសារពិត សម្រាប់ មនុស្សពិតដែលជឿទុកចិត្តលើលទ្ធផល។

ឧស្សាហកម្មបកប្រែបានចំណាយពេលជាច្រើនឆ្នាំក្នុងការប្រៀបធៀបអ្នកផ្តល់សេវា AI ។ DeepL ទល់នឹង Google ។ ក្លოდ ទល់នឹង ChatGPT។ ការប្រៀបធៀបទាំងនោះមានប្រយោជន៍ ។ ប៉ុន្តែ​ក្នុង​ចំណោម​អ្នក​ផ្តល់​សេវា​តែ​មួយ​កំណែ​គម្លាត​អាច​មាន​សារៈសំខាន់​ដូចគ្នា — ហើយ​វា​ជា​គម្លាត​ដែល​ស៊ុម​ការ​ប្រៀបធៀប​ភាគច្រើន​មិន​វាស់​ទេ ព្រោះ​ពួកគេ​មិន​បាន​ធ្វើតេស្ត​នៅ​កម្រិត​ម៉ូដែល​កំណែ​ទេ។ នៅ​ពេល​នរណា​ម្នាក់​និយាយ​ថា ខ្ញុំ​ប្រើ ChatGPT សម្រាប់​ការ​បកប្រែ ប្រយោគ​នោះ​មិន​បាន​បញ្ជាក់​គ្រប់គ្រាន់​ដើម្បី​មាន​អត្ថន័យ​ទេ។

ChatGPT មួយណា? Nano? 4o-mini? ៤.១-តូច? 5.4? ចម្លើយបានផ្លាស់ប្តូរលទ្ធផលតាមវិធី ដែលមិនសំខាន់យ៉ាងហោចណាស់សម្រាប់មាតិកាដែលនិយាយដោយផ្ទាល់។

សូម្បីតែការបកប្រែដែល ត្រឹមត្រូវ ក៏មិនយល់ស្របនឹងគ្នាដែរ

នេះជាផ្នែកដែលខ្ញុំចាប់អារម្មណ៍បំផុត ហើយខ្ញុំមិនទាន់បានយល់ច្បាស់ពីវាទេ

ម៉ូដែលទាំងបីដែលបានផលិតការបកប្រែដែលនិយាយដោយផ្ទាល់បានផ្តល់បី ផ្សេងគ្នា:

• GPT-4.1-MINI: to pull it off successfully
• GPT-5.4-MINI: to get one's way
• GPT-5.4: to come out on top

ទាំងបីសុទ្ធតែជាការបង្ហាញជាភាសាអង់គ្លេសដែលអាចការពារបាននៃ llevarse el gato al agua។ ប៉ុន្តែ​ពួក​គេ​មិន​ស្មើ​គ្នា​ទេ។

ដើម្បី​សម្រេច​វា បញ្ជាក់​ពី​ការ​អនុវត្ត​ប្រឆាំង​នឹង​ការ​លំបាក អ្នក បាន​ធ្វើ​រឿង​ពិបាក​មួយ ហើយ​វា​បាន​ជោគជ័យ។ ‎« ធ្វើតាម​ចិត្ត » ផ្ដល់​ការ​សង្កត់​ធ្ងន់​លើ​លទ្ធផល​ដែល​អ្នក​ចង់​បាន​សម្រេច​បាន ដោយ​មាន​ការ​សង្កត់​ធ្ងន់​តិច​លើ​ការ​លំបាក ។ ‎« ឈ្នះ » បញ្ជាក់ពីជ័យជម្នះប្រកួតប្រជែង ឈ្នះទាក់ទងនឹងអ្នកដទៃ។

ពាក្យស្លោកដើមជាភាសាអេស្ប៉ាញ គឺជិតបំផុតនឹងពាក្យទីមួយក្នុងចំណោមពាក្យទាំងនេះ។ ពាក្យនេះមានអត្ថន័យនៃការយកឈ្នះលើការតស៊ូ មិនមែន គ្រាន់តែចូលចិត្តលទ្ធផលមួយ ហើយឲ្យវាកើតឡើងប៉ុណ្ណោះទេ។ ប៉ុន្តែ​ «​ការ​ធ្វើ​តាម​ចិត្ត​» និង «​ការ​ឈ្នះ​» មិន​ខុស​ទេ ពួកវា​គ្រាន់តែ​មិន​ច្បាស់លាស់​ក្នុង​ទិសដៅ​ផ្សេងៗ​ប៉ុណ្ណោះ

។​នេះ​ធ្វើ​ឲ្យ​កើត​ជា​សំណួរ​មួយ​ដែល​ខ្ញុំ​រក​ឃើញ​ថា​ពិបាក​ណាស់​៖​នៅ​ពេល​ដែល​ម៉ូដែល​បី ​នីមួយៗ​ផ្ដល់​ការ​បកប្រែ​តាម​លក្ខណៈ​អាយឌី​អូ​ម៉ា​ទិច​ដែល​ត្រឹមត្រូវ​តែ​ខុស​គ្នា តើ​អ្នក​វាយតម្លៃ​យ៉ាង​ណា​ថា​មួយ​ណា​ល្អ​ជាង​គេ​? ពិន្ទុ BLEU ត្រូវបានប្រៀបធៀបទៅនឹងការបកប្រែយោងមួយ — ប៉ុន្តែអ្នកណាជាអ្នកសរសេរការបកប្រែយោងនោះ ហើយពួកគេនឹងជ្រើសរើសមួយណា ក្នុងចំណោមបីនេះ?

ភ្នាក់ងារបកប្រែ AI របស់យើង តាមការសរសើររបស់វា បានសួរ សំណួរត្រឹមត្រូវមុនពេលសម្រេចចិត្តលើលទ្ធផលណាមួយ៖ តើ «llevarse el gato al agua»មានន័យយ៉ាងណានៅក្នុងបរិបទនេះ? ជម្រើសបីត្រូវបានផ្តល់ជូន — ដើម្បីសម្រេចបាននូវគោលដៅដ៏លំបាក, ដើម្បីយកអ្វីដែលមិនចាំបាច់, ឬដើម្បីចូលរួមក្នុងសកម្មភាពប្រថុយប្រថាន។ សំណួរនោះមិនមែនជារឿងលម្អ។ វាជាយន្តការដែលភាពមិនច្បាស់លាស់តាមបរិបទ ត្រូវបានដោះស្រាយ មុនពេលការបកប្រែត្រូវបានបញ្ចប់។

ប៉ុន្តែចំណុចនៅតែមាន៖ ចម្លើយត្រឹមត្រូវបី ការ បញ្ចេញមតិខុសគ្នាបី។ ឧបករណ៍វាយតម្លៃការបកប្រែមិនត្រូវបានបង្កើតឡើង សម្រាប់ភាពល្អិតល្អន់បែបនេះទេ។

អ្វីដែលខ្ញុំមិនទាន់ដឹង

ខ្ញុំចង់និយាយដោយស្មោះត្រង់អំពីដែនកំណត់នៃអ្វីដែលការធ្វើតេស្តនេះបង្ហាញ។

សំនួនវោហារសព្ទមួយ, គូភាសាមួយ, ការធ្វើតេស្តផ្ទៃក្នុងមួយថ្ងៃ។ នោះមិនមែនជាការសិក្សាទេ។ វាជាការសង្កេត។ ខ្ញុំមិនដឹងថាតើ គំរូនេះ (ម៉ូដែលតូចៗលំនាំដើមជាអត្ថបទ ម៉ូដែលធំៗ ទទួលបានជាសុភាសិត) អាចរក្សាបានយ៉ាងរឹងមាំនៅទូទាំង:

• សុភាសិតអេស្ប៉ាញផ្សេងទៀត
• គូភាសាផ្សេងទៀតដែលមានប្រពៃណីសុភាសិតដ៏សម្បូរបែប (អារ៉ាប់ ជប៉ុន រុស្ស៊ី សុទ្ធតែនឹកឃើញ)
• ខ្លឹមសារដែលមិនមែនជាសុភាសិត ដែលភាពខុសគ្នានេះមិនត្រូវបានអនុវត្ត
• ករណីគែម ដែលម៉ូដែលតូចមួយទទួលបានសុភាសិតត្រឹមត្រូវ ហើយម៉ូដែល ធំមួយខកខានវា

ខ្ញុំក៏មិនដឹងថាតើនេះជាលក្ខណៈសម្បត្តិដែលមានស្ថេរភាពនៃ ម៉ូដែលទាំងនេះទេ ឬជាអ្វីដែលផ្លាស់ប្តូរជាមួយនឹងការអាប់ដេត និងការកែតម្រូវ។ អ្នកផ្តល់ម៉ូដែលមិនបានបោះពុម្ពកំណត់ហេតុប្តូរប្រាក់ដែលទាក់ទងនឹងការបកប្រែទេ។ កំណែម៉ូដែលមួយដែលដោះស្រាយ llevarse el gato al agua ត្រឹមត្រូវ នៅថ្ងៃនេះ អាចត្រូវបានអាប់ដេតនៅខែក្រោយ ហើយយើងនឹងមិនមានវិធី ដឹងទេ។

អ្វីដែលខ្ញុំដឹង៖ ការធ្វើតេស្តនេះបានបង្កើតលទ្ធផលគួរឱ្យចាប់អារម្មណ៍ ដែលខ្ញុំចង់ដំណើរការបន្ថែមទៀត ជាប្រព័ន្ធជាងនេះ ឆ្លងកាត់គូភាសា និងប្រភេទខ្លឹមសារច្រើនទៀត។ នៅពេលខ្ញុំមានច្រើនទៀតដើម្បីចែករំលែក ខ្ញុំនឹងចែករំលែក។

សំណួរស្រាវជ្រាវពីរដែលសមនឹងពិចារណា

ខ្ញុំនឹងបញ្ចប់ដោយសំណួរពីរដែលការធ្វើតេស្តនេះបានបន្សល់ទុកឱ្យខ្ញុំ។ ខ្ញុំនឹងមិនឆ្លើយតបទៅពួកគេទេ ខ្ញុំមិនទាន់មានទិន្នន័យគ្រប់គ្រាន់ដើម្បីធ្វើដូច្នេះទេ។ ប៉ុន្តែខ្ញុំគិតថាពួកគេជាសំណួរត្រឹមត្រូវដែលត្រូវសួរ។ទីមួយ៖ តើនៅកម្រិតប៉ារ៉ាម៉ែត្រណាដែលសមត្ថភាពតាមវាក្យសព្ទ ក្លាយជាដែលអាចទុកចិត្តបាន? ការលោតពី GPT-4o-MINI និង GPT-4.1-NANO (ទាំងពីរជាអក្សរ) ទៅ GPT-4.1-MINI (តាមវាក្យសព្ទ) បង្ហាញថាមានកម្រិតមួយ នៅក្នុងជួរប៉ារ៉ាម៉ែត្ររវាងទំហំម៉ូដែលទាំងនោះ ដែលការទទួលស្គាល់វាក្យសព្ទ បើកដំណើរការ។ តើវា​មាន​ភាព​ស៊ីគ្នា​ទេ? តើវាអនុវត្តចំពោះ​สำนวน ​គ្រប់ភាសា​ឬទេ​ ឬវាអាស្រ័យ​លើ​ភាសា​នោះ​មាន​វត្តមាន​ល្អ​ប៉ុណ្ណា​ក្នុង​ទិន្នន័យ​បណ្ដុះបណ្ដាល ‎? ខ្ញុំមិនដឹងទេ។ ប៉ុន្តែ ការដឹង នឹងមានប្រយោជន៍សម្រាប់នរណាម្នាក់ដែលកំពុងបង្កើតលំហូរការងារបកប្រែ។

ទីពីរ៖ តម្លៃនៃភាពមិនច្បាស់លាស់នៃកំណែម៉ូដែល ជះឥទ្ធិពលដល់អ្នកប្រើប្រាស់ក្នុងកម្រិតធំប៉ុនណា?

ប្រសិនបើអ្នកប្រើម្នាក់បញ្ជូនឯកសារចំនួន ១០០០ សន្លឹកក្នុងមួយខែតាមរយៈឧបករណ៍មួយដែល មិនបង្ហាញថាកំណែម៉ូដែលណាកំពុងត្រូវបានប្រើ (ហើយឯកសារខ្លះ ក្នុងចំណោមនោះមានមាតិកាដែលជាការនិយាយប្រចាំថ្ងៃ) តើការបរាជ័យដោយផ្ទាល់ កើតឡើងដោយមើលមិនឃើញញឹកញាប់ប៉ុនណា? តើពួកគេនឹងដឹងដោយរបៀបណា? តើការមិនដឹងការពិតមានតម្លៃប៉ុនណា?

ខ្ញុំគិតថា នេះជាសំណួរដែលសំខាន់ជាងការប្រៀបធៀប AI ណាដែលល្អបំផុតសម្រាប់ការបកប្រែ ដែលកំពុងចរាចរណ៍នាពេលបច្ចុប្បន្ន.‎ ចម្លើយមិនមែនជា ប្រើម៉ូដែលធំជាងគេ ទេ។ ចម្លើយអាចជា៖ ដឹងពីអ្វីដែលអ្នកកំពុងប្រើ, រត់ការធ្វើតេស្តផ្ទាល់ខ្លួន លើមាតិកាផ្ទាល់ខ្លួនរបស់អ្នក, ហើយកុំសន្មតថាឈ្មោះរបស់អ្នកផ្តល់ ណាមួយគឺជាការធានានៃឥរិយាបទដែលស៊ីគ្នាឆ្លងកាត់ជួរម៉ូដែល របស់ពួកគេ។

យ៉ាងហោចណាស់នោះហើយជាអ្វីដែលខ្ញុំបានយល់ពីការធ្វើតេស្តនេះ។

សំណួរស្រាវជ្រាវ

1. តើ​ទំហំ​ម៉ូដែល​អាច​ទស្សន៍ទាយ​គុណភាព​នៃ​ការ​បកប្រែ​តាម​លក្ខណៈ​ idiom យ៉ាង​គួរ​ឲ្យ​ទុកចិត្ត​បាន​ទេ?

ដោយ​ផ្អែក​លើ​ការ​ធ្វើ​តេស្ត​តែ​មួយ​នេះ​៖ ម៉ូដែល​តូច​ជាង​ដែល​ត្រូវ​បាន​ធ្វើ​ឲ្យ​ប្រសើរ​ឡើង​នូវ​ប្រសិទ្ធភាព ក្នុង​គ្រួសារ AI ដូចគ្នា​បាន​បកប្រែ​លក្ខណៈ​ idiom របស់​ភាសា​អេស្ប៉ាញ​ដែល​ត្រូវ​បាន​បង្កើត​ឡើង​យ៉ាង​ល្អ​ដោយ​ផ្ទាល់​តាម​ព្យញ្ជនៈ​ ចំណែក​ឯ​កំណែ​ធំ​ជាង​/ថ្មី​ជាង​ នៃ​ម៉ូដែល​ដូចគ្នា​បាន​បង្កើត​ការ​បកប្រែ​តាម​លក្ខណៈ​ idiom ត្រឹមត្រូវ។ ថាតើ สิ่งนี้ยังคงใช้ได้กับหมวดหมู่สำนวนและคู่ภาษาหรือไม่คือคำถามต่อไป ខ្ញុំនឹងធ្វើតេស្តបន្ថែមទៀត។

ហេតុ​អ្វី​បាន​ជា​ការ​បក​ប្រែ​តាម​លក្ខណៈ​អាយឌី​អូ​ម៉ា​ទិច​ចំនួន​បី​ដែល​«ត្រឹមត្រូវ»​បាន​បង្កើត​លទ្ធផល​ខុស​គ្នា​បី​យ៉ាង​?

GPT-4.1-MINI, GPT-5.4-MINI, និង GPT-5.4 ទាំង​អស់​បាន​បក​ប្រែ llevarse el gato al agua តាម​លក្ខណៈ​អាយឌី​អូ​ម៉ា​ទិច​—ប៉ុន្តែ​ទៅ​ជា​ឃ្លា​ភាសា​អង់គ្លេស​ខុស​គ្នា ដែល​មាន​អត្ថន័យ​លាក់​កំបាំង​ខុស​គ្នា​បន្តិចបន្តួច។ នេះ​បាន​បង្ហាញ​ថា គុណភាព​នៃ​ការ​បកប្រែ​តាម​លក្ខណៈ​វាក្យសព្ទ​មាន​យ៉ាងហោចណាស់​ពីរ​វិមាត្រ៖ ថាតើ​ម៉ូដែល​ទទួលស្គាល់​លក្ខណៈ​វាក្យសព្ទ​នោះ​ទាល់តែសោះ​ឬទេ ហើយ​វា​ជ្រើសរើស​ពាក្យ​ដែល​សមរម្យ​មួយណា ពី​ជម្រើស​ដែល​មាន​ក្នុង​ភាសា​គោលដៅ ។ សូចកាតគុណភាពបកប្រែស្តង់ដារមិន បំបែកវិមាត្រទាំងពីរនេះយ៉ាងច្បាស់លាស់ទេ។ ខ្ញុំគិតថាពួកគេគួរតែធ្វើបែបនោះ។

ប្រកាសនេះផ្អែកលើការធ្វើតេស្តផ្ទៃក្នុងនៅលើវេទិកាអភិវឌ្ឍន៍របស់ MachineTranslation.com។ ការធ្វើតេស្តកំណែច្រើនម៉ូដែលដែលបង្ហាញនៅទីនេះមិនទាន់មានជាសាធារណៈនៅឡើយទេ។ ខ្ញុំ​កំពុង​ចែករំលែក​ការ​រក​ឃើញ​នេះ​ដោយសារតែ​ខ្ញុំ​គិត​ថា​ការ​សង្កេត​នេះ​មាន​ប្រយោជន៍​ដោយ​មិន​គិត​ពី​កន្លែង​ដែល​អ្នក​ដំណើរការ​ការ​បកប្រែ​របស់​អ្នក​។