Hvilken AI-oversetter er mest nøyaktig i 2026? Jeg testet 10 av de nyeste AI-modellene

Test 2: Kontraindikasjonssetning → Vietnamesisk (begge rundene)

Kritisk funn: medisinsk terminologi

Avsnitt 5: ‎"Det er syk" — hva skjer når tvetydighet er poenget

Noen kildesetninger er tvetydige med vilje. ‎"Det er syk" i moderne engelsk slang betyr noe utmerket, men det bærer også fortsatt sin bokstavelige betydning (det vil si kvalmt/ekkelt), og spenningen mellom disse to betydningene er en del av hvordan uttrykket kommuniserer. Utfordringen for en oversettelsesmodell er: bevarer du tvetydigheten, kollapser du den til den mest sannsynlige betydningen, eller velger du en og forplikter deg?

Japanske resultater

Vietnamesiske resultater

Funn: tvetydighet og divergens innen samme familie

Seksjon 6: Hvordan modellpoolen ser ut

Modellene i denne testen er ikke alle likeverdige. De spenner over ulike arkitekturer, treningsregimer og distribusjonskontekster. Runde 1-grunnlinjen inkluderer modeller som er allment tilgjengelige. Den utvidede Round 2-puljen legger til flere av de nyeste premium-tier-modellvariantene som nå er tilgjengelige for betalende brukere på MachineTranslation.com, samme tier av modell som ellers ville betydd en separat betalt konto hos hver enkelt leverandør.

Den utvidede puljen i Round 2 inkluderer modeller som er mer avanserte og tilgjengelige for betalende brukere på MachineTranslation.com. Effekten av å utvide bassenget er ikke ensartet. I noen tester (formalitet/japansk) endret det konsensus betydelig. I hos andre (medisinsk terminologi/vietnamesisk) ble splittelsen dypere.

Avsnitt 7: Hva dette betyr hvis du velger en oversettelsesplattform

Testdatapunktene peker på to distinkte feilkategorier, og de krever ulike responser.

Kategori A: Stille feil. Formalitetsfeil, registerfeil, presisjon i medisinsk terminologi: disse produserer utdata som ser korrekte ut. Japaneren er grammatikalsk. Vietnamesen er flytende. Det er ingen overflatesignal som indikerer at noe gikk galt. En enspråklig bruker som leser en enkelt modells utdata, har ingen måte å vite at modellen gjorde et registervalg som en senior japansk leder ville merke, eller at en klinisk term ble innsnevret på en måte som endrer populasjonen den gjelder for.

Kategori B: Synlige feil. MiniMax oversetter "burning the midnight oil" som "brenning av fakler." GPT-4.1-NANO løser "That's sick" til det entydig "すごい." Disse er gjenkjennelige, enten av en taler av målspråket eller ved sammenligning med andre modellerresultater.

Multi-modellsammenligningen som SMART gir, er mest verdifull i kategori A. Når fem eller ti modeller produserer resultater og de fleste er enige om et formelt register mens en produserer uformell japansk i enkel form, er uenigheten synlig i sammenligningsvisningen. En bruker som snakker målspråket kan evaluere alternativene. En bruker som ikke kan se at en omstridt beslutning ble tatt, kan bestemme om den setningen garanterer menneskelig gjennomgang.

For dokumentskala-arbeid, store filer, layoutbevarende oversettelse av PDF-er, kontrakter eller kliniske materialer, håndterer plattformens dokumentbehandlingsevne filstruktur uten å ødelegge formateringen. Men kvalitetsspørsmålene som ble reist ovenfor, gjelder uavhengig av filstørrelse. En 100-siders klinisk studie der hver forekomst av "hepatic impairment" er oversatt som "lever failure" er en større versjon av det samme problemet identifisert i Test 2.

For medisinsk og juridisk kategorier spesifikt, er menneskelig verifisering den riktige sikkerhetsventilet. Tomedes' AI Post-Editing-tjeneste, som kombinerer AI-output med sertifisert menneskelig gjennomgang for nøyaktig denne typen høyrisikoinnhold, er bygget for dette. Suy gan / suy giảm chức năng gan-splittingen er nøyaktig den typen funn som burde utløse denne gjennomgangen, ikke fordi alle modeller er feil, men fordi modellene som er mest sikre ikke er de mest presise.

Verdien av å se flere utganger er ikke at du alltid vil velge flertallet. Det er at du vil vite at et valg ble gjort, noe som er annerledes enn å anta at resultatet foran deg er korrekt.

Hva åtte setninger faktisk fortalte meg

Sett de åtte testene side ved side og et mønster holder seg: enighet og uenighet er ikke tilfeldig fordelt. Idiomatisk, dagligdags forretningsspråk ("ta kontakt," "arbeide sent inn i natta") konvergerte på tvers av nesten alle modellene i gruppen, i begge rundene. Formalitet, juridisk presisjon og medisinsk terminologi gjorde ikke det. Testen for CEO-formalitet skiftet fra uformell til formell bare når den utvidede gruppen ble inkludert. Erstatningsklausulen avslørte en reell juridisk distinksjon (免責 vs. 補償) som bare én modell, i én runde, fikk riktig. Den medisinske terminologisplittelsen ble aldri løst i det hele tatt, og holdt seg på omtrent 6-til-4 på tvers av begge rundene uavhengig av hvilke modeller som var i poolen.

Det er det faktiske funnet, ikke et markedsføringskrav: konsensus gjør ikke hver setning bedre, og det trenger ikke å gjøre det. Det er mest verdifullt akkurat der hvor en enkelt modells flytende språk ikke gir deg noen grunn til å tvile på den, og der det faktisk koster noe å ta feil.

Det er et annet, mer praktisk lag til denne testen som er verdt å si klart. Å kjøre denne sammenligningen selv betydde å sjekke utdata fra GPT-5.5, Claude Opus 4-7, Gemini 3.5-Flash, GLM-5-Turbo, og MiniMax M2.7 side om side med de eksisterende grunnlinjemodellene, på ett sted, på én plattform. Utenfor MachineTranslation.com er det ikke ett abonnement. Det er flere, en for hver leverandør hvis premiumtier du vil teste, til hva hver leverandør krever individuelt. Betalende brukere her får den samme sammenligningen med ett klikk, til en brøkdel av hva det ville koste å vedlikeholde fem separate premiumabonnementer, uten å gi opp det som faktisk betyr noe: å se hvor modellene er enige, og vite nøyaktig når de ikke er det.

Ofte stilte spørsmål