文档翻译：模型最不重要的时代

文档翻译的讨论，长期被一个提问框住：哪个模型翻得最好？但真正在生产中让人头疼的，往往不是模型本身的翻译质量，而是围绕句子的一整套流程——解析、分块、术语一致性和验证效率。

为什么模型不是文档翻译的瓶颈

句子级别的翻译质量，对许多语言对而言已经够用。但一份文档不是一串字符串。DOCX 是打包的 XML，一句可见的句子可能因为一个单词加粗而被拆成五个 run；PDF 甚至不是语义上的文档，它只是把字形放在坐标上的绘图指令。阅读顺序、表格单元格、脚注、页眉和文本框，都得先重建，才能开始翻译。

翻完之后还得放回去。德语通常比英语长约 30%，阿拉伯语和希伯来语从右往左，日语没有空格可供换行。重建好的表格会溢出，脚注标记会指向错误的注释，合并单元格会吃掉半行。这些都不是模型问题，而是解析和布局问题，也是多数“AI 文档翻译”工具悄悄失败的地方。

run（文本运行） 是 DOCX 内部 XML 结构的基本单位。Word 为了保留格式信息，会把一段连续可见文字按属性变化切成多个 run：一个单词加粗、颜色改变或拼写检查标记，都会产生新的 run。因此 "The quick brown fox" 在 XML 里可能是四个 run，而非一句。对翻译流水线而言，这意味着必须先做"run 合并"再送翻译，否则模型看到的是被切碎的上下文，译文回填时还会因 run 长度不匹配而错位。同理，PDF 的文本提取依赖坐标排序，双栏排版、页眉页脚和浮动文本框常导致阅读顺序错乱，这是通用 PDF 解析器在文档翻译中频繁失败的根本原因。

更大的上下文窗口没有解决分块问题

即便把长合同塞进一个 prompt 成为可能，实际流水线仍然会因为成本、延迟、重试和布局映射而切分文档。一旦切分，文档级连贯性就丢了：第二页的“Agreement”到第十四页变成了“Contract”；术语表里定义的词被翻成三种不同版本；依赖前两个分块段落的代词拿到了错误的性别。每个分块单独读起来都很漂亮，整份文档却不一致。在法律、医疗或技术内容里，不一致就是错误。

分块（chunking） 指将长文档切分为适合模型上下文窗口的片段。即使窗口足够大，生产流水线仍会主动分块，原因有三：单次推理成本随 token 数近似线性增长；超长请求的延迟不可接受；输出长度受限导致长文档必须多次调用。分块带来的核心难题是"文档级状态"的丢失——术语表、代词指代、缩写首次定义等信息在块与块之间不共享。业界常见缓解手段包括维护全局术语表并在每个 prompt 中注入、对相邻块做重叠（overlap）以保留上下文、以及翻译后用一致性检查回扫，但这些都只能降低而非消除不一致。

流畅但错误，比生硬但错误更危险

旧的统计机器翻译错得很明显，你能看到接缝。大模型的输出即使漏掉一个从句、丢掉一个“not”、把数字四舍五入，或者自信地发明一个更顺口却改变含义的表述，读起来依然流畅。风险模型因此翻转：危险的不再是看起来破碎的文本，而是看起来完美、实际却不正确的文本。快速扫读流畅译文的审校者，比费力啃生硬表达的审校者，更不容易发现丢失的否定词。

统计机器翻译（SMT） 是 2016 年前的主流范式，基于短语对齐和语言模型打分，输出常有明显的语序错乱和生硬表达，审校者一眼就能识别"这里有问题"。神经机器翻译和大模型则通过端到端生成大幅提升流畅度，但也带来了"自动化偏见"（automation bias）：审校者面对读起来自然的文本，会下意识降低警惕，倾向于接受而非核查。认知心理学中的"流畅性启发"（fluency heuristic）解释了这一现象——人倾向于把加工流畅等同于真实可信。在翻译审校场景中，这意味着漏译、否定词丢失和数字错误更容易被流畅的译文掩盖，因此需要独立的自动化检查（数字比对、长度比对）来补偿人的注意力盲区。

“哪个模型最好”没有稳定答案

排行榜是平均值，而你的文档不是平均值。在英西营销文案上胜出的模型，可能在英泰药品标签或波英法律术语上落败。排名也会随着新版本发布而每隔几个月变化。与其选一个冠军模型，不如用多个引擎跑同一份文档，观察它们在哪里出现分歧。分歧是一个便宜且出奇有用的信号，指向“这里需要人看一眼”。

对反方观点也要公平：一致并不等于正确。如果所有模型共享同一个盲点（罕见术语、地区性法律概念），它们可能一致地给出同一个错误答案。共识缩窄了需要检查的范围，却没有消除检查的必要。

人工审校没有消失，只是在变形

“AI 会取代译员”和“AI 翻译不可信”两种说法都偷懒。真实发生的是角色迁移：从逐句翻译转向验证高风险句子。真正重要的技能是分诊——知道一份文档中哪 5% 承载了 95% 的风险（数字、名称、义务、剂量、否定），把人的注意力花在那里。

分诊（triage） 一词借自急诊医学，指在资源有限时按风险优先级分配注意力。在文档翻译审校中，分诊意味着不平均用力，而是先识别高风险片段：数字与单位、专有名词与产品名、法律义务表述（shall/must/may）、否定结构、剂量与规格、日期与货币。这些片段一旦出错，后果远大于普通叙述句的措辞偏差。支撑分诊的技术手段包括实体抽取比对、多引擎分歧检测和术语一致性统计，它们把"哪里需要人看"从主观判断变成可量化的信号，从而让有限的人工审校预算集中在最关键的 5% 内容上。

值得测试的文档翻译流水线能力

如果你在构建或选择工具，在争论模型之前，先检查这些：

• 往返格式：翻译一份混乱的真实 DOCX 和 PDF（表格、脚注、修订痕迹、RTL 文本），打开输出，它还是原样吗？
• 实体与数字比对：自动对比源文和译文中的每个数字、日期、货币、URL 和专有名词。这能抓出惊人数量的问题。
• 术语一致性：挑 10 个定义术语，统计每个术语在整个文件中被翻成了多少种不同版本。
• 漏译检测：对比分段长度和句子数量，差距过大是内容被丢弃的红旗。
• 分歧映射：两个以上引擎在哪里分道扬镳？优先把这些片段送去审校。
• 慎用回译作为主要 QA：模型把自己的输出翻回去，常常会抹平你正想找的那些错误。

我可能错在哪里

原生多模态模型可能把 PDF 当图像读取，并足够好地重新生成布局，让解析不再重要；某个模型可能在所有语言对上大幅领先，让集成变成多余开销；审校工具可能好到能自动抓住“流畅但错误”。这些我都不认为会在 2027 年落地，但很想听做这件事的人怎么说。

常见问题

AI 文档翻译是什么？ 用机器翻译或大模型翻译整个文件（PDF、DOCX、PPTX、XLSX），同时保留原始格式、布局和结构。

2027 年 AI 文档翻译够准确吗？ 在句子级别，常见语言对往往够用。在文档级别，准确性取决于解析、分块、术语一致性和验证，而不只取决于模型。

用 AI 翻译 PDF 最难的部分是什么？ 翻译前重建阅读顺序、表格和布局，翻译后把译文塞回原始设计。

AI 翻译的文档还需要人工审校吗？ 涉及法律、医疗、财务或安全后果的内容，需要。高效做法是针对高风险片段定向审校，而不是逐行重译。

不懂目标语言怎么检查 AI 翻译质量？ 比对数字和命名实体，检查术语一致性，比较多个引擎的输出找分歧，把标记的片段交给合格审校者。

真正该问的问题

如果流水线是“提取文本、发给大模型、粘回去”，瓶颈不是模型，是流水线。文档翻译的下一个竞争点，不在于谁的模型在排行榜上高一格，而在于谁能把解析、分块、一致性和验证串成一条可用的链路。

你见过最严重的文档翻译生产事故是什么？瓶颈是模型、解析器还是审校步骤？单一最佳模型，还是多引擎交叉检查？欢迎讨论。