新一代翻译大模型 Lara 3发布

7月30日，语言技术公司 Translated 发布了新一代翻译大模型 Lara 3。

与其把 Lara 3 看作一款更快、更省成本的翻译工具，不如说，它试图回答一个更关键的问题：

翻译模型能否不只模仿“标准答案”，还在反复生成、判断与修正中，学会识别更好的译文？

01 翻译，不只有一个标准答案

长期以来，机器翻译的常见训练方式是：向模型输入原文及参考译文，让它学习两者之间的对应关系。

但翻译通常不存在唯一的正确答案。同一句话，往往可以有多种既准确、自然，又符合语境的表达。

仅让模型复现既有译文，能增强它对既有表达模式的模仿，却未必能理解：何种用词更恰当，何种语气更贴合品牌，何种表达更适合目标市场。

Lara 3 提出的“做中学”（Learn by Doing）机制，试图把训练再向前推进一步：模型先生成多种译法；随后，评估系统从词义准确性、语境适配度和表达风格等维度进行比较；评估结果再被用于后续训练。

在这一过程中，模型逐步学会采用更符合具体语境与质量要求的表达。需要说明的是，这一机制发生在训练阶段，并在产品正式面向用户提供服务前完成部署。

换句话说，它不仅学习已有译文的表达方式，也在训练中培养判断不同译文质量的能力。

这种思路与专业译者的工作方式颇为接近。译者并非机械地替换词语，而是会在上下文、受众、行业术语、品牌语调与交付场景之间权衡。高质量翻译不只要求准确传达原意，也要求在具体语境中做到自然、恰当。

02 企业本地化，需要的是“懂语境”

产品说明、软件界面、营销文案、客服内容和技术资料，对翻译的要求各不相同。企业既需要术语保持前后一致，也希望译文自然、风格统一，并避免格式错位与语境失真。

Translated 表示，Lara 3 面向企业本地化场景，强调品牌语调、术语和风格指南的一致性，并力求贴合具体的产品内容语境。

据 Translated 官网公布的盲测结果，在 WMT 2025 公开基准，以及旅游、科技、金融三个企业本地化领域中，Lara 3 的“译文被判定为准确”的比例均位居图中所列系统之首，包括 Google Translate、DeepL、Fable 5 和 GPT-5.6 Sol。

图 1 专业译者盲测中各翻译系统的准确性比较

图中的 Quality，指至少 3 名专业译者中有 2 人判定译文准确的比例。测试覆盖 16,800 条由英语译入 21 种高本地化需求语言的译文；其中，旅游、科技和金融领域的数据来自 Translated 的测试集。

03 速度与成本，能否同时成立？

翻译工具的实际价值，最终仍要落到交付效率上。

据 Translated 公布的数据，在相同翻译工作流中，Lara 3 的处理速度是 Fable 5 的 23 倍以上；在相同预算下，其可处理的源语言字符量是 Fable 5 的 3.75 倍，较 GPT-5.6 Sol 高约 13%。

04 真正的竞争，是质量反馈能否沉淀下来

Lara 3 还提供图像、音频和文档翻译能力：图像翻译强调保留原有版式；音频翻译支持保留说话者音色，并可结合翻译记忆库、术语表和风格指南使用；文档翻译支持 72 种文档格式，官方称其版式错误率降低了 70%。

在定价方面，Lara 3 不再按席位或令牌（token）收费，而是按源语言字符计费。术语表、上下文、翻译记忆库和指令不另行收费；企业可在组织内共享预购的字符额度。

这也指向了一个更长远的变化：

翻译 AI 的竞争焦点，正从单次生成结果的比拼，逐步延伸至对业务语境的理解、对专业反馈的吸收，以及稳定交付能力。

对企业而言，术语库、翻译记忆库、风格指南和译后修改记录，不再只是项目资料，也会逐步沉淀为驱动智能本地化的重要语言资产。

AI 能够加快翻译流程，但高质量翻译的标准仍需由人来定义。未来，译者和语言团队的价值或许将更多体现在建立质量标准、维护语言资产、处理复杂语境，并将专业经验转化为可复用的反馈机制。

(文章选自公众号前沿翻译技术)