句子流畅，不代表意思正确
一则翻译后的新闻可能读起来很顺，却改变了人物身份、漏掉否定词，或把预测写成已经确认的事件。对多语种出版机构而言，这些问题的后果可能比文风生硬更严重。增加语言种类，会成倍增加需要核验的版本数量，却不会自动让读者获得的价值同比增长。
本文提出一套用于生产流程的验收框架，依据的是截至 2026 年 10 月 20 日核查过的第一手文档。本文属于编辑分析，并非模型基准测试，也不是我们自行开展实验的报告，更不声称任何一家服务商的实际成本最低。
中美厂商的文档究竟支持哪些结论
Google Cloud Translation 的文档介绍了用于保持术语一致性的术语表，包括有方向性的源语言与目标语言词条列表，以及多语种等义术语集。文档也说明了限制：匹配默认区分大小写，部分停用词词条会被忽略，而且术语表资源本身不提供版本控制。因此，出版团队需要自行维护有版本记录的术语文件和回滚记录。术语表是一种有用的控制手段，但不能证明输出正确。
阿里云的 Qwen-MT 文档介绍了术语对、翻译记忆句对和领域提示词。文档还指出，领域提示词目前必须使用英语，模型采用单轮交互、不支持系统消息，而且这些附加控制信息会消耗输入词元。忽略这些细节的工作流程，可能会低估或高估成本，或者发送模型不支持的指令。
这些例子展示的是不同的接口，而不是中美翻译质量排名。两者都让术语管理成为一项具体的工程任务，但任何一份文档都没有证明其在你的各个语种上的相对准确性，也没有保证生成可直接发布的新闻。做选择之前，应比较其支持的语言对、部署要求，以及对同一批素材的实际输出。
先定义什么算失败，再选择模型
MQM 的错误分类体系区分准确性与流畅性，并涵盖实体、数字、日期、单位和否定表达等方面的错误。MQM Council 的评分指南给出了一种通过或不通过的评判方式：只要出现致命错误，无论总分如何，译文都不合格。这些是质量评估资源，并非 W3C 推荐标准，也不是通用的法律标准。
我们建议新闻出版团队预先定义致命错误：人物或机构错误、立场颠倒、捏造引语、金额或日期出现实质性错误，或来源链接已无法支持相关论断。漂亮的平均分不应抵消任何一项此类错误。较轻的文风问题可以进入编辑队列，但改变原意的问题应阻止发布，直至修正并复核完成。
设置两道关卡，而非一次自动放行
第一道关卡：结构与事实锚点。 对照原文与译文，检查核准的名称及别名、带有单位和币种的数值、日期、链接、引用标识符，以及是否缺少段落。将原文标题、网址和发布日期作为独立元数据保留。应标记差异以供检查，而不是拒绝所有表面变化：1,000 与 1.000 在不同地区的格式中可能表示同一个数值，名称也可能有约定俗成的本地译法。只核对数字、不核对单位，并不算完整检查。
第二道关卡：语境中的含义。 由双语审校人员对照原文，检查否定、不确定性、信息归属、引语范围和因果关系论断。“可能降低成本”不能变成“已经降低了成本”，“该公司表示”也不能消失。对标题和摘要要像对正文一样认真检查：一篇措辞审慎的文章，可能在翻译过程中被配上误导性的标题。第二个模型或回译可以帮助标记问题段落，但模型之间意见一致，并不是忠实于原文的独立证据。
建议先选取 20 篇具有代表性的原文进行试点；如果原文语言是八种语言之一，则每篇译成其余七种目标语言。样本应包含技术术语、引语、财务数字、日期和有歧义的名称。每个候选方案都使用相同的原文和验收标准。这是一种建议的测试设计，并非经统计验证的样本量。另外保留一组独立留出样本供后续检查，以免反复修补试点样本成为评估的全部。
把生成之后的工作也算进去
有意义的分母，是达到发布门槛的“文章—语言”版本数量。下述虚构例子中的“文章”，指的就是一个这样的版本。被拒收的草稿不能算作已交付文章。
假设工作流程 A 和 B 各交付 100 篇验收合格的文章。A 每篇的模型调用费用为 0.01 美元，需要六分钟审校；B 每篇的费用为 0.05 美元，需要三分钟审校。假设审校人工费用为每小时 30 美元：
- A：模型调用费用 1 美元，加上 10 小时、每小时 30 美元的审校费用，共计 301 美元，即每篇验收合格文章 3.01 美元。
- B：模型调用费用 5 美元，加上 5 小时、每小时 30 美元的审校费用，共计 155 美元，即每篇验收合格文章 1.55 美元。
这里的所有价格和审校时间都是假设值。这只是算术演示，不是实测性能，也不是厂商当前报价。示例未计入初始配置、质量保证工具、重试以及发布后的更正费用；在实际比较中，如果产生这些费用，就应将其计入。这个例子说明，生成环节省下的四美分，可能远远抵不过额外的编辑时间。它并不能证明价格更高的模型总是更好。
一份简明的运行记录，胜过宏大的承诺
针对每个语言对，保留模型及其版本、提示词版本、术语文件版本、原文标识符、首次验收是否通过、致命错误、审校分钟数、重试次数和最终处理结果。各语种应分别报告：出色的平均表现可能掩盖某个语言对的薄弱表现。模型或术语文件发生变化时，应重新检查一组固定样本。
对一个八语种网站而言，实际工作的优先顺序应是先建立可靠的发布关卡和清晰可见的更正流程，再降低单位成本。出现致命错误时，应停止自动发布，并检查相关版本，而不是假定这只是个例。读者接收到的是最终表达的含义，而不是词元折扣。
配图：AI 生成的原创概念图，表现多语种编辑核验，并非实测结果的呈现。