Translated wprowadza Lara 3, udowadniając potrzebę wyspecjalizowanej sztucznej inteligencji tłumaczeniowej

Tłumaczenie może brzmieć pięknie i nadal popełniać błędy. Termin produktu zmienia się w połowie instrukcji, wiadomość wsparcia traci kontekst, a kampania pojawia się w innym języku bez swojego pierwotnego tonu. To są problemy, które Translated chce rozwiązać dzięki ogólnemu wydaniu Lara 3, jej wyspecjalizowanego modelu AI tłumaczenia.

Ogłoszone 7 października, wprowadzenie udostępnia Lara 3 przedsiębiorstwom, profesjonalnym tłumaczom i indywidualnym użytkownikom poprzez Lara API, TranslationOS i Lara Translate. Następuje po wprowadzeniu wybranym partnerom w lipcu i wprowadza ukierunkowany system tłumaczeń na rynek coraz bardziej zatłoczony modelami AI o ogólnym przeznaczeniu.

Nagłówska teza jest znacząca: w ślepych ocenach Translated, profesjonaliści tłumaczący oceniły 82 % tłumaczeń Lara 3 jako doskonałe, nie wymagające poprawek. Firma podaje niższe wyniki dla ogólnej AI i dedykowanych narzędzi tłumaczeniowych, które testowała. Bardziej interesujące pytanie brzmi, jaki wkład wnosi specjalizacja, gdy tłumaczenie staje się częścią rzeczywistego procesu produkcyjnego.

Co mierzy benchmark

Według komunikatu prasowego, ocena obejmowała 16 800 tłumaczeń z języka angielskiego na 21 języków lokalizacji korporacyjnych. Połączyła materiały WMT25 obejmujące książki, wiadomości i rozmowy użytkowników z własnościowymi treściami przedsiębiorstw z branż podróży, technologii i finansów.

Średnio w 21 parach językowych, Translated podaje następujące udziały tłumaczeń ocenionych jako doskonałe:

• Lara 3: 82%
• GPT-5.6 Sol: 69%
• Claude Fable 5: 67%
• DeepL: 57%
• Google Translate: 53%

Komunikat podaje, że Lara zajęła pierwsze miejsce w 20 z 21 par językowych. publiczna notatka metodologiczna benchmarku opisuje ocenę większościową dokonaną przez co najmniej dwóch z trzech profesjonalnych tłumaczy. Są to wyniki zgłoszone przez firmę na określonym zestawie testowym, a nie uniwersalna ocena dokładności we wszystkich językach, dziedzinach czy dokumentach.

To rozróżnienie ma znaczenie. Wyniki z języka angielskiego na język docelowy nie ustanawiają takiego samego rankingu dla każdej kierunkowości tłumaczenia, a wysoki wynik zbiorczy może ukrywać różnice między językami lub typami treści. Dla zespołu lokalizacyjnego istotny pozostaje test własnej terminologii, materiałów i standardów recenzji.

Model, który ćwiczy przed wdrożeniem

Translated’s techniczne wprowadzenie do Lara 3 opisuje podejście treningowe, które nazywa „learning by doing”. Naśladowanie pozostaje podstawą, ale model następnie ćwiczy generowanie alternatywnych tłumaczeń. Automatyczny sędzia, kształtowany przez wiedzę profesjonalnych recenzentów, ocenia te próby, a model wzmacnia udane wybory, jednocześnie korygując słabsze.

Firma twierdzi, że ten cykl odbywa się miliony razy podczas treningu. Powstałe zachowanie jest wbudowane w wdrożony model; nie oznacza to, że każde żądanie klienta wywołuje nowy proces treningowy.

Podejście rozwiązuje znany problem w tłumaczeniu: kilka wersji zdania może być poprawnych, ale tylko niektóre pasują do otaczającego kontekstu. Nauka oceny tych alternatyw oferuje inny cel niż po prostu odtworzenie jednej referencyjnej odpowiedzi.

W komunikacie współzałożyciel i CEO Marco Trombetti argumentuje, że jakość tłumaczenia zależy od dogłębnego zrozumienia problemu. Same płynność nie wystarczy, gdy niejednoznaczna fraza, nieprawidłowy termin techniczny lub pominięta wskazówka kulturowa zmieniają to, co czytelnik rozumie.

Kontekst jest częścią przepływu pracy

Trening to tylko jedna warstwa. dokumentacja deweloperska Lara wyjaśnia, jak system wykorzystuje odpowiedni kontekst dokumentu przy tłumaczeniu poszczególnych zdań. Dla dłuższych wejść może tłumaczyć zdania równolegle, podając otaczający tekst jako dodatkowy input modelu.

Programiści mogą także dostarczyć zewnętrzny kontekst, który powinien wpływać na tłumaczenie, nie będąc przy tym tłumaczonym. Na przykład tytuł bloga może być uzupełniony treścią artykułu, a nowa wiadomość czatu poprzedzoną wcześniejszą konwersacją. Jest to szczególnie przydatne, gdy profesjonalne narzędzia tłumaczeniowe już podzieliły dokument na oddzielne segmenty.

Dla użytkowników korporacyjnych ta funkcja ma praktyczny cel: utrzymanie małych fragmentów treści powiązanych z informacjami, które nadają im znaczenie. Glosariusze i zatwierdzone pamięci tłumaczeń dodają kolejną warstwę spójności, zwłaszcza gdy to samo słownictwo produktu pojawia się na stronie internetowej, w dokumentacji i w obsłudze klienta.

Od wyników jakości do ekonomiki produkcji

Komunikat podaje także oddzielne benchmarki prędkości i kosztów. W teście jednowątkowym Translated twierdzi, że Lara 3 osiągnęła 23‑krotną przepustowość Claude Fable 5 i przetłumaczyła 3,75‑krotnie więcej znaków przy tym samym budżecie. Te porównania różnią się od oceny jakości i należy rozumieć je w kontekście testowanego środowiska.

Lara’s platforma API rozszerza się poza zwykły tekst na treści lokalizacyjne w formacie HTML i XLIFF, dokumenty, obrazy i dźwięk. Strona produktu opisuje wsparcie dla ponad 70 formatów dokumentów z zachowaniem układu, a także integrację słownika i pamięci tłumaczeniowej. Zasięg różni się w zależności od typu wejścia, więc wsparcie językowo‑tekstowe nie powinno być zakładane jako identyczne dla dźwięku lub obrazów.

Translated została założona w 1999 roku przez lingwistkę Isabelle Andrieu i informatyka Marco Trombetti. W swoim komunikacie uruchomieniowym firma podaje, że obsługuje ponad 300 000 klientów w ponad 200 językach i w ponad 40 dziedzinach tematycznych. Ta historia pomaga wyjaśnić, dlaczego Lara kładzie nacisk na mniej efektowne wymagania lokalizacji: spójna terminologia, kontekstowa precyzja oraz wynik, który odpowiada zamierzonemu zastosowaniu.

Ogólna dostępność Lara 3 przekształca argument specjalizacji w decyzję produktową. Zgłoszona przewaga w benchmarkach jest powodem do dalszych badań; silniejszym testem jest to, czy redukuje ona pracę związaną z edycją i integracją rzeczywistych treści. Dla zespołów tłumaczących na dużą skalę, niezawodne zachowanie znaczenia jest tym, co sprawia, że model jest użyteczny długo po pierwszym imponującym zdaniu.