Translated 推出 Lara 3，阐明专用翻译 AI 的案例

翻译即使读起来优美，也可能出错。产品术语在手册中途更改，支持信息失去上下文，或宣传活动以另一种语言出现却失去原有的语调。这些正是 Translated 在推出 Lara 3 通用版及其专用 AI 翻译模型时要解决的问题。

该产品于 10 月 7 日发布，使企业、专业译者和个人用户均可通过 Lara API、TranslationOS 和 Lara Translate 使用 Lara 3。此举在七月向部分合作伙伴进行介绍之后，将一个专注的翻译系统推向日益被通用 AI 模型占据的市场。

标题主张相当显著：在 Translated 的盲测中，专业译者将 82% 的 Lara 3 翻译评为完美，无需编辑。公司报告称其测试的通用 AI 和专用翻译工具得分更低。更有意思的问题是，当翻译成为实际生产工作流的一部分时，专用化能带来怎样的贡献。

基准测量内容

根据发布稿，评估涵盖了 16,800 条英译至 21 种企业本地化语言的翻译。它将包含图书、新闻和用户对话的 WMT25 资料与旅行、技术和金融领域的专有企业内容相结合。

在 21 对语言的平均结果中，Translated 报告了以下完美翻译的比例：

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

发布稿称 Lara 在 21 对语言中有 20 对排名第一。Lara 的 公开基准方法说明 描述了至少三位专业译者中两位的多数判断。这些是公司在特定测试集上报告的结果，而非针对所有语言、领域或文档的通用准确率评级。

这一区别很重要。英译目标语言的表现并不等同于所有翻译方向的相同排名，且整体高分可能掩盖语言或内容类型之间的差异。对于本地化团队而言，相关的测试仍然是其自身的术语、材料和审校标准。

部署前进行练习的模型

Translated 的 Lara 3 技术介绍 描述了一种称为“边做边学”的训练方法。模仿仍是基础，但模型随后练习生成替代翻译。由专业审稿人经验塑造的自动评审会对这些尝试进行评估，模型在强化成功选择的同时纠正较弱的结果。

公司称此循环在训练期间运行数百万次。产生的行为被嵌入已部署的模型中；这并不意味着每个客户请求都会触发全新训练。

该方法解决了翻译中常见的难题：一个句子可能有多个有效版本，但只有部分适合上下文。学习评估这些备选方案的目标不同于单纯复制单一参考答案。

在发布稿中，联合创始人兼首席执行官 Marco Trombetti 认为翻译质量取决于对问题的深入理解。仅有流畅度不足以应对歧义短语、错误技术术语或遗漏的文化线索对读者理解产生的影响。

上下文是工作流的一部分

训练仅是其中一层。Lara 的 开发者文档 说明系统在翻译单句时如何利用相关文档上下文。对于较长的输入，它可以并行翻译句子，同时将周围文本作为额外的模型输入。

开发者还可以提供不需翻译本身但应影响翻译的外部上下文。例如，博客标题可以配合文章正文，或新聊天消息可以携带前置对话。这在专业翻译工具已将文档划分为独立片段时尤为有用。

对于企业用户而言，该功能具有实际意义：将小块内容与赋予其意义的信息关联起来。术语表和已批准的翻译记忆库进一步提升一致性，尤其是当相同的产品词汇出现在网站、文档和客户支持中时。

从质量分数到生产经济性

发布稿还报告了独立的速度和成本基准。在单线程测试中，Translated 表示 Lara 3 的吞吐量是 Claude Fable 5 的 23 倍，且在相同预算下翻译的字符数是其 3.75 倍。这些对比与质量评估不同，需在其测试环境下理解。

Lara 的 API 平台 不仅限于纯文本，还支持 HTML 和 XLIFF 本地化内容、文档、图像和音频。产品页面描述了对超过 70 种文档格式的支持，能够保留布局，并提供词汇表和翻译记忆库集成。不同输入类型的覆盖范围各不相同，因此不应假设文本语言的支持在音频或图像上完全相同。

Translated 成立于 1999 年，创始人是语言学家 Isabelle Andrieu 和计算机科学家 Marco Trombetti。其发布的启动声明称，公司为超过 300,000 名客户提供服务，覆盖 200 种语言和 40 多个主题领域。这段历史有助于解释 Lara 对本地化中那些不那么光鲜的需求的重视：一致的术语、上下文的准确性以及符合预期用途的输出。

Lara 3 的正式上线将专业化论点转化为产品决策。其报告的基准领先优势是值得进一步调查的理由；更关键的考验在于它是否能够在真实内容上减少编辑和集成工作。对于大规模翻译的团队而言，可靠地保持意义的完整性才是模型在第一句令人印象深刻之后仍具价值的关键。