October 23, 2026
Hvis du velger mellom en LLM og en AI-agent for oversettelse, forteller merkelappen deg lite om hva som kan gå galt. Et enkelt LLM-kall kan returnere et selvsikkert feil svar uten noen advarsel. En agent kan stille det rette spørsmålet, men hvert steg den tar legger til tid og enda et sted ting kan gå galt.
Tre ulike ting deler ofte navnet "AI-agent": et enkelt LLM-kall, en arbeidsflyt som kjører mange modeller samtidig, og en agent som planlegger og handler i en løkke. Vi kjører alle tre på MachineTranslation.com. Forskjellene nedenfor stammer fra å kjøre dem i produksjon.
En LLM er en modell. Du sender inn tekst og får tekst tilbake, i ett enkelt kall. En AI-agent er et system bygget rundt en LLM. Anthropics ingeniørteam skiller de to ut fra hvem som bestemmer stegene. I en arbeidsflyt fastsetter kode stegene på forhånd. I en agent velger LLM-en sine egne steg og verktøy.
Det gir tre former for oversettelse. Et enkelt LLM-kall er det enkleste, og det returnerer ett svar uten noe signal om hvorvidt svaret er riktig. En arbeidsflyt, som det å kjøre mange modeller samtidig og sammenligne resultatene, følger en fast rute. En agent jobber i en løkke. Den bestemmer hva den skal gjøre, gjør det og sjekker resultatet. Den kan også stille brukeren et spørsmål før den fortsetter.
Et enkelt LLM-kall er ett steg. En konsensus-arbeidsflyt sender den samme teksten til mange modeller samtidig, og sammenligner deretter utdataene. En agent går i en løkke gjennom planlegging, utførelse og kontroll, og kan stoppe for å stille brukeren et spørsmål.
| Enkelt LLM-kall | Konsensusarbeidsflyt | AI-agent | |
|---|---|---|---|
| Trinn | Ett kall | Mange kall samtidig, deretter én sammenligning | En løkke med planlegg, handle og sjekk |
| Tidsatferd | Én modells latenstid | Bestemt av den tregeste modellen i utvalget | Øker for hvert trinn |
| Hovedrisiko | Et skråsikkert feil svar uten forvarsel | Alle modeller deler den samme tause antakelsen | Ekstra trinn gir forsinkelse og nye feilpunkter |
| Hva som hjelper | En ny kontroll | Et spørsmål til brukeren | Trinngrenser og en menneskelig kontroll |
En agent tilfører beslutninger som et enkelt modellkall ikke kan ta. Den kan spørre om en setning bør være formell eller uformell. Den kan også slå opp et begrep og sjekke sitt eget utkast. Hvert av disse er et ekstra trinn, og hvert trinn legger til tid og et nytt punkt som kan svikte.
Anthropics råd er å starte med det enkleste designet som fungerer. Bruk en arbeidsflyt for en veldefinert oppgave, og bruk en agent når oppgaven krever fleksible beslutninger. Vi følger den samme regelen. AI Translation Agent er et eget lag som bare trer inn når en setning etterlater noe uavklart, for eksempel hvor formell teksten bør være.
Flermodell-konsensus er en arbeidsflyt med en fast bane. Den samme teksten sendes til alle modellene samtidig. Utdataene sammenlignes, og versjonen flest modeller er enige om, returneres. Anthropic kaller praksisen med å kjøre flere forsøk samtidig for å øke sikkerheten for parallellisering.
Det tekniske problemet er tid. Hvis 22 modeller kjørte etter hverandre, ville ventetiden vært summen av 22 kall. De kjører parallelt, så ventetiden bestemmes av den tregeste modellen i utvalget, slik vi beskriver i veiledningen vår om å få verifiserte oversettelser i Claude eller ChatGPT. I et lanseringseksempel oversatte fem modeller en frase på fire ord og returnerte et resultat på 751 millisekunder. Lengre tekst tar lengre tid, og den samme regelen gjelder.
Vi testet utvalgsstørrelser og landet på 22. Med færre modeller svekkes enighetssignalet. Med flere begynner ventetiden å snike seg inn. Brukeren ser ett resultat. Arbeidet som gjorde det raskt, skjedde før klikket.
Konsensus kan bare se uenighet mellom modeller, så det kan ikke fange opp et valg alle modeller tar på samme måte. I testene våre av vanlige fraser oversatte alle de syv modellene som ble vist, «good morning» til japansk med det formelle おはようございます, en uuttalt beslutning om høflighet som ingen spurte brukeren om.
Det franske «Je t'aime» fulgte samme mønster. Modellene var enige om én oversettelse, men frasen kan uttrykke romantisk, platonisk eller familiær kjærlighet, og den direkte oversettelsen sier ikke hvilken. Et sammenligningstrinn har ingenting å sammenligne når alle modellene svarer på samme måte.
Dette gapet er grunnen til at AI Translation Agent kjører som et eget lag. Den spør om stilnivå, målgruppe og tone bare når teksten etterlater dette uavklart. Konsensus fanger opp modellene som er uenige. Agenten fanger opp det alle antar.
Lærebøker om AI sorterer agenter etter hvordan de bestemmer hva de skal gjøre. Den klassiske listen går fra enkle refleksagenter, som reagerer på gjeldende inndata, via målbaserte agenter som planlegger mot et resultat, til lærende agenter som forbedrer seg ut fra tilbakemeldinger.
Systemmessig legger hvert steg oppover på listen til tilstand og løkker som må vedlikeholdes. Oversettelse har størst nytte av den målbaserte enden, fordi en oversettelse ofte avhenger av kontekst som den gjeldende setningen ikke inneholder. Vår AI Translation Agent befinner seg der. Den jobber mot en oversettelse som passer konteksten, og dens viktigste verktøy er et spørsmål til brukeren.
Ja, fordi nevral maskinoversettelse systemer bare er trent til å oversette mellom språk, noe som gjør dem til en annen type modell enn en generell LLM. Enkelte modeller innenfor LLM-familien fungerer også annerledes. De fleste LLM-er genererer ett token om gangen. Mercury, fra Inception Labs, er en diffusjonsspråkmodell som genererer tekstblokker parallelt, noe vi dekker i innlegget vårt om å legge til Gemma og Mercury på plattformen.
Om et API for nevral oversettelse eller en LLM passer best, avhenger av oppgaven. Et API for nevral oversettelse leverer en modell bygget for én oppgave, mens en LLM kan følge instruksjoner og bruke mer kontekst. MachineTranslation.coms motorutvalg inneholder både tradisjonelle maskinoversettelsesmotorer og LLM-er, så én forespørsel kan bruke begge typer.
Hvilken LLM som er sterkest, avhenger av språkpar og retning, så vi velger ikke én på plattformnivå. Utvalget inkluderer ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok og Mistral AI. Hver modell kjører parallelt, så det å legge til eller bytte ut en modell øker ikke ventetiden. Kvalitetsresultater for spesifikke modeller kommer fra modellsammenligningstestingen vår.
AI-agenter og assistenter kan kalle opp MachineTranslation.com som et verktøy. MCP-koblingen lar betalende abonnenter bruke den fra Claude, ChatGPT, Copilot eller enhver assistent som støtter tilpassede koblinger. Forespørselen kjøres gjennom det samme utvalget av 22 modeller parallelt og returnerer versjonen flest av dem er enige om. For assistenten blir oversettelse ett enkelt verktøykall. Modellsammenligningen forblir på vår side, og samtalen ser bare resultatet.
Du kan se den parallelle kjøringen og agentens spørsmål på din egen tekst. Lim inn en setning i MachineTranslation.com, og modellene kjører samtidig. Agenten spør bare når setningen lar noe stå åpent.
En LLM tar inn tekst og returnerer tekst i ett enkelt kall. En AI-agent er et system bygget rundt en LLM som velger sine egne steg og bruker verktøy. Den kontrollerer arbeidet sitt og kan stille brukeren spørsmål. Innen oversettelse bestemmer en agent hva som skal gjøres videre, mens et enkeltkall bare produserer et svar.
Lærebøker lister opp enkle refleksagenter, modellbaserte, målbaserte, nyttebaserte og lærende agenter, sortert etter hvordan de bestemmer hva de skal gjøre. Oversettelse har mest nytte av målbaserte agenter som bruker verktøy, slik som et ordlisteoppslag eller et spørsmål til brukeren, fordi en oversettelse ofte avhenger av kontekst den nåværende setningen ikke inneholder.
Ja, fordi nevrale maskinoversettelsessystemer er trent utelukkende til å oversette og ikke er generelle samtalemodeller. Diffusjonsspråkmodeller som Mercury er fortsatt språkmodeller. De genererer tekst i blokker, mens de fleste LLM-er genererer ett token om gangen. MachineTranslation.com kjører både tradisjonelle maskinoversettelsesmotorer og LLM-er.
Ja, fordi en agent kan kjøre et oversettelsesverktøy og kontrollere resultatet, og den kan be deg om manglende kontekst som tone eller målgruppe før den returnerer noe. Hvert av disse stegene tar ekstra tid. For veldefinert tekst er et enkelt modellkall eller en fast arbeidsflyt vanligvis enklere, så agenter egner seg for tilfeller som krever en beslutning.
Det avhenger av oppgaven, fordi et nevralt oversettelses-API betjener en modell bygget for én oppgave, mens en LLM kan følge instruksjoner og bruke mer kontekst. MachineTranslation.com velger ikke én. Motorutvalget inkluderer både tradisjonelle maskinoversettelsesmotorer og LLM-er, og én forespørsel kan bruke hvilken som helst av typene.
ChatGPT, Claude, Gemini, DeepSeek og Qwen er LLM-er, og hver av dem håndterer en oversettelse i ett enkelt kall. En parallell arbeidsflyt kombinerer mange av dem. En AI-agent legger til beslutninger på toppen, slik som MachineTranslation.com sin AI Translation Agent, som spør om tone og målgruppe når en setning lar dette stå åpent.