Translated запускает Lara 3, обосновывая необходимость специализированного ИИ‑перевода

Перевод может звучать прекрасно, но всё равно ошибаться. Термин продукта меняется в середине руководства, сообщение поддержки теряет контекст, или кампания появляется на другом языке без своего оригинального голоса. Именно эти проблемы Translated решает с общим выпуском Lara 3, её специализированной модели ИИ‑перевода.

Объявленный 7 октября, запуск делает Lara 3 доступным для предприятий, профессиональных переводчиков и отдельных пользователей через Lara API, TranslationOS и Lara Translate. Он следует после представления выбранным партнёрам в июле и выводит специализированную систему перевода на рынок, всё более переполненный общими ИИ‑моделями.

Заявление в заголовке внушительно: в слепых оценках Translated профессиональные переводчики оценили 82 % переводов Lara 3 как идеальные, не требующие правок. Компания сообщает более низкие показатели для общего ИИ и специализированных инструментов перевода, которые она тестировала. Более интересный вопрос — какой вклад вносит специализация, когда перевод становится частью реального производственного рабочего процесса.

Что измеряется в бенчмарке

Согласно пресс‑релизу, оценка охватывала 16 800 переводов с английского на 21 язык корпоративной локализации. Она комбинировала материалы WMT25, включающие книги, новости и пользовательские диалоги, с проприетарным корпоративным контентом в областях путешествий, технологий и финансов.

В среднем по 21 паре языков Translated сообщает о следующих долях переводов, оценённых как идеальные:

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

В релизе говорится, что Lara заняла первое место в 20 из 21 пары языков. Lara’s публичная методология бенчмарка описывает оценку большинством, проведённую как минимум двумя из трёх профессиональных переводчиков. Это результаты, сообщённые компанией, на определённом тестовом наборе, а не универсальная оценка точности по всем языкам, областям или документам.

Это различие имеет значение. Производительность «английский‑на‑целевой язык» не гарантирует одинаковый рейтинг для каждой направления перевода, и высокий совокупный показатель может скрывать различия между языками или типами контента. Для команды локализации важен собственный набор терминов, материалы и стандарты проверки.

Модель, практикующаяся до развертывания

Translated’s техническое введение в Lara 3 описывает подход к обучению, который они называют «обучение через практику». Имитирование остаётся основой, но модель затем практикует создание альтернативных переводов. Автоматический судья, сформированный экспертизой профессиональных рецензентов, оценивает эти попытки, и модель укрепляет успешные варианты, исправляя менее удачные.

Компания заявляет, что этот цикл выполняется миллионы раз во время обучения. Получившееся поведение внедряется в развернутую модель; это не означает, что каждый запрос клиента запускает новый процесс обучения.

Подход решает знакомую проблему в переводе: несколько вариантов предложения могут быть корректными, но только некоторые подходят к окружающему материалу. Обучение оценке этих альтернатив ставит другую цель, нежели простое воспроизведение единственного эталонного ответа.

В релизе со‑основатель и генеральный директор Марко Тромбетти утверждает, что качество перевода зависит от глубокого понимания задачи. Одной лишь беглости недостаточно, когда неоднозначная фраза, неверный технический термин или упущенный культурный намёк меняют восприятие читателем.

Контекст — часть рабочего процесса

Обучение — лишь один уровень. Lara’s Документация для разработчиков объясняет, как система использует релевантный контекст документа при переводе отдельных предложений. Для более длинных вводов она может переводить предложения параллельно, предоставляя окружающий текст в качестве дополнительного ввода модели.

Разработчики также могут предоставить внешний контекст, который должен влиять на перевод, но сам не переводится. Например, заголовок блога может сопровождаться основным текстом статьи, или новое сообщение чата — предшествующей беседой. Это особенно полезно, когда профессиональные инструменты перевода уже разбили документ на отдельные сегменты.

Для корпоративных пользователей эта возможность имеет практический смысл: поддерживать связь небольших фрагментов контента с информацией, придающей им смысл. Глоссарии и одобренные базы переводов добавляют ещё один уровень согласованности, особенно когда одинаковая терминология продукта встречается на сайте, в документации и службе поддержки.

От оценок качества к экономике производства

В релизе также представлены отдельные бенчмарки скорости и стоимости. В однопоточном тесте Translated сообщает, что Lara 3 обеспечивает в 23 раза большую пропускную способность, чем Claude Fable 5, и переводит в 3,75 раз больше символов при том же бюджете. Эти сравнения отличаются от оценки качества и должны пониматься в рамках их тестовой конфигурации.

Платформа платформа API Лары выходит за пределы простого текста, охватывая HTML и локализационный контент XLIFF, документы, изображения и аудио. На странице продукта указана поддержка более 70 форматов документов с сохранением макета, а также интеграция глоссариев и памяти переводов. Охват зависит от типа входных данных, поэтому нельзя считать, что поддержка текстовых языков одинаково применяется к аудио или изображениям.

Translated была основана в 1999 году лингвистом Isabelle Andrieu и компьютерным учёным Marco Trombetti. В пресс‑релизе запуска говорится, что компания обслуживает более 300 000 клиентов на более чем 200 языках и более чем 40 предметных областях. Эта история помогает понять акцент Лары на менее гламурных требованиях локализации: согласованная терминология, контекстуальная точность и вывод, соответствующий предполагаемому использованию.

Общее доступность Lara 3 превращает аргумент о специализации в решение о продукте. Сообщённое преимущество в бенчмарках служит поводом для исследования; более строгим тестом является то, уменьшает ли он редактирование и работу по интеграции реального контента. Для команд, переводящих в масштабе, надёжное сохранение смысла — то, что делает модель полезной задолго после первого впечатляющего предложения.