Qwen vs DeepSeek: Hvilken AI-modell oversetter best?

Kjør de samme 12,000 oversettelsessegmentene gjennom Qwen og DeepSeek, og DeepSeek vinner i flertallet av språkparene. Det er ikke hele historien. Splitt resultatene etter retning, og et spesifikt mønster viser seg: Qwen tetter det meste av gapet, og tar av og til ledelsen, spesielt når målspråket er engelsk. Ved oversettelse fra engelsk til noe annet, vinner DeepSeek nesten hver gang.

Dette skillet betyr mer enn én enkelt sammenlagtvinner hvis du oversetter innhold på tvers av dusinvis av språk i stedet for bare ett språkpar. 

Hva er Qwen og DeepSeek?

Qwen er Alibabas familie av store språkmodeller. Den nåværende generasjonen er Qwen3.8, som ble lansert i august 2026: Qwen3.8-Max er det lukkede flaggskipet som kun er tilgjengelig via API, med 2,4 billioner parametere, mens Qwen3.8-27B er en mindre modell med åpne vekter utgitt under Apache 2.0 noen dager senere, rettet mot team som ønsker å drifte selv.

DeepSeek er et kinesisk AI-laboratorium kjent for mixture-of-experts-modeller som matcher ledende ytelse til en brøkdel av inferenskostnaden. Den nåværende generasjonen, DeepSeek V4, ble lansert i april 2026 i to varianter: V4 Pro (1,6 billioner parametere totalt, omtrent 49 milliarder aktive per token) for kvalitetsfokusert arbeid, og V4 Flash (284 milliarder totalt, omtrent 13 milliarder aktive) for latenssensitive arbeidsbelastninger. Begge leveres som MIT-lisensierte åpne vekter.

Hvordan sammenligner Qwen og DeepSeek seg egentlig på oversettelse, ikke bare benchmarktester?

De fleste sammenligninger mellom Qwen og DeepSeek viser til generelle benchmarktester: koding, matematikk, resonnering. Ingen av disse måler oversettelseskvalitet direkte, og det å kjøre hver modell på ulik kildetekst gjør det umulig å isolere eventuelle nøyaktighetsavvik fra hva selve teksten krevde.

MachineTranslation.com sin egen oversettelsestrafikk de siste 28 dagene gir et klarere svar, fordi begge modellene oversatte den identiske kildeteksten. På tvers av 98 språkpar og mer enn 12,000 matchede segmenter scoret DeepSeek høyere i 83 par; Qwen scoret høyere i 15. Snevrer man det inn til de 27 parene der målspråket er engelsk, krymper gapet markant: DeepSeek vinner 63% av dem (17 av 27), Qwen vinner 37% (10 av 27). På tvers av de resterende 71 parene, der engelsk ikke er målspråket, vinner DeepSeek 92% (66 av 71).

Seiersprosent etter oversettelsesretning (98 språkpar, identisk tekst)

Det vektede gjennomsnittet på tvers av alle matchede segmenter plasserer DeepSeek på 9.13 av 10 og Qwen på 8.98. Det er et reelt gap, men det er ikke jevnt fordelt, noe som er mer nyttig å vite hvis innholdet ditt beveger seg i mer enn én retning. Dette er den samme direkte sammenligningsmetoden MachineTranslation.com bruker på tvers av sin fullstendige modellsammenligningstest, ikke bare for dette ene paret.

De samlede tallene holder stand i enkelte testtilfeller også. Ved testing av den franske frasen «Elle est directrice adjointe du département commercial», samlet DeepSeek og Qwen seg om den samme engelske gjengivelsen, «deputy director of commercial department». Du kan sjekke det live-testresultatet direkte. Ved testing av «as soon as possible» oversatt til spansk, skilte DeepSeek seg fra konsensusen blant de fire modellene med «esté hecho» i stedet for «se haga», noe som er et reelt avvikstilfelle som gjenspeiler et grammatisk skille mellom prosess og resultat, ikke en feil.

Hvorfor gjør Qwen det bedre spesifikt ved oversettelse til engelsk?

Dataene forklarer ikke hvorfor, bare hvor. Noen av Qwens sterkeste par inn til engelsk er tamil, kinesisk, polsk, italiensk og hebraisk, som er kildespråk med store, veldokumenterte engelskspråklige treningskorpuser som generelt er tilgjengelige for modellbyggere. Utenfor den ene retningen gjelder DeepSeeks fordel nesten overalt: både ut av engelsk og mellom ikke-engelske språkpar.

Det dette utelukker, er å behandle noen av modellene som en universell standard. Et team som oversetter produktlister fra spansk til seks språk og forventer samme ytelsesrangering som de så da de oversatte en kinesisk støttebillett til engelsk, vil bruke feil lærdom fra feil retning, noe som er den samme asymmetrien som vises i MachineTranslation.coms spansk-til-engelsk-modellfordeling, der de ledende modellene ikke er de samme som leder i motsatt retning.

Er Qwen og DeepSeek gratis og med åpen kildekode?

Lisensieringen fordeler seg ulikt for hver av dem. DeepSeek lisensierer både V4 Pro og V4 Flash under MIT, en av de mest tillatende åpen kildekode-betingelsene som finnes, så begge er gratis å hoste selv uten restriksjoner. Qwen er delt: Qwen3.8-27B leveres under Apache 2.0 og er gratis å hoste selv, men flaggskipet Qwen3.8-Max forblir lukket, kun som API, og under Alibabas egen tilpassede lisens.

I praksis betyr det at et fullstendig open-weight-alternativ med MIT-lisens eksisterer på DeepSeek-siden på begge kvalitetsnivåer. På Qwen-siden betyr det å velge open-weight at man gir opp flaggskipmodellen.

Hva koster det å kjøre Qwen og DeepSeek i stor skala?

Etter DeepSeeks permanente prisreduksjon i mai 2026, er de nåværende publiserte API-prisene $0.435 per million input tokens (cache miss) and $0.87 per million utdatatokens for V4 Pro, mens V4 Flash er priset lavere for sitt forsinkelsesoptimaliserte nivå.

For team som hoster en av modellene selv i stedet for å bruke et hostet API, flyttes kostnadssammenligningen helt over til GPU-infrastruktur og blir en funksjon av parameterantall og aktiv-parameter-effektivitet, snarere enn en pris per token.

Er noen av modellene sikre nok for juridisk, medisinsk eller regulert innhold?

Ingen av modellene publiserer oversettelsesspesifikke sikkerhetssertifiseringer, og generelle sikkerhetsmålinger tester ikke for de feilmodusene som betyr noe i regulert innhold: en feiloversatt dosering, en endret ansvarsklausul, et inkonsekvent juridisk begrep. MachineTranslation.coms egen testing har funnet akkurat denne typen avvik mellom modeller på juridisk og medisinsk språk, inkludert tilfeller der modeller brukte ulike juridiske begreper med ulikt omfang til tross for at begge skåret høyt på generelle kvalitetsmål.

For kontrakter, immigrasjonsdokumenter eller klinisk innhold, taler det for å koble hver modells utdata med et menneskelig verifiseringstrinn heller enn å stole blindt på ett enkelt AI-resultat, uavhengig av hvilken modell som genererte det.

Hva betyr dette hvis du lokaliserer til mange språk samtidig?

En sammenligning basert på ett språkpar forteller deg nesten ingenting om språkpar nummer førti. Splitten mellom "til engelsk" og "fra engelsk" som er dokumentert her, gjaldt for et utvalg på 98 par spesifikt fordi det ble testet i den skalaen: en enkelt test fra engelsk til spansk, som er det de fleste sammenligninger mellom Qwen og DeepSeek kjører, ville vist at DeepSeek lå komfortabelt foran, og ikke sagt noe om hva som skjer når tamilsk, polsk eller hebraisk kommer inn i bildet.

Det er det praktiske argumentet for å ikke låse et stort lokaliseringsprogram til én modells utdata som standard. MachineTranslation.com kjører både Qwen og DeepSeek, sammen med mer enn 20 andre modeller, på hver oversettelse og løfter frem den versjonen disse modellene er mest enige om, slik at en utrulling på 68 språk ikke er prisgitt den modellen som tilfeldigvis vant det ene paret noen testet først. Du kan se nøyaktig hvilke modeller som var enige eller uenige om en gitt oversettelse i modellfordelingen per oversettelse som plattformen viser for hvert resultat.

Hver oversettelse blir kontrollert mot et bredere spekter av modeller enn det enten Qwen eller DeepSeek alene kan tilby, noe som er det direkte svaret på hva som skjer når innholdet ditt slutter å bevege seg i bare én retning.

Ofte stilte spørsmål