机器翻译核心 20% — 先定”谁在用、错在哪可以接受”
一句话 ：机器翻译的质量上限由语料与术语 决定，不由模型结构决定。80% 的落地问题，是”术语没统一、领域没适配、没人做译后编辑”。
🎯 这 20% 能解决哪些问题
常见困惑 本质 本页答案 BLEU 涨了但用户说更差 指标与人感不一致 见「两个指标的真实含义」 通用模型翻专业文本一塌糊涂 领域分布不匹配 见「领域适配四招」 模型把品牌名翻成通用词 缺少术语表约束 见「领域适配四招」与「六类高频错误」 长段落翻译前后不一致 上下文与术语漂移 见「长文五条规则」 上线后怎么控质量 没有质量估计环节 见「译后编辑流程」
一、两个指标的真实含义
指标 计算思路 优点 局限 BLEU n-gram 精确率 + 长度惩罚 快、可复现 与词序/语义无关，换个同义表达就扣分 chrF 字符级 F 值 对形态丰富语言更稳 仍不看语义 COMET / BERTScore 神经模型打语义相似分 与人判断相关性更高 需模型，慢、有偏 人工 MQM 按错误类型加权计数 最贴近业务 昂贵
结论 ：BLEU +1 不代表更好。真正决策应该用 MQM 标注 200–500 条 建立基线，再用 COMET 做日常监控。
二、数据是天花板
数据类型 作用 获取方式 通用平行语料 基础能力 开源数据集、公开双语网站 领域平行语料 领域适配 历史人工译文（最宝贵的资产） 单语语料 回译、语言模型 内部文档 术语表 一致性 从历史译文中抽取高频对照
回译（Back-translation）的标准做法 ：单语目标语 → 反向模型译成源语 → 与原单语构成伪平行对 → 混入训练。注意：伪数据比例过高会引入翻译腔。
三、领域适配四招
手段 成本 效果 适用 提示中给术语与风格示例 最低 中 大模型场景首选 术语表强制替换（前后处理） 低 高（一致性） 产品名、法规名 少量高质量微调（1k–10k 句） 中 高 稳定领域 继续预训练 + 微调 高 高 数据量大、长期投入
顺序 ：术语表 → 提示工程 → 微调。跳过前两步直接微调，往往做完发现”其实术语表就够了”。
四、长文五条规则
按句切分翻译，再拼接 ，不要整篇塞进去。保留原文段落结构 ，便于对照与回填。术语表全篇生效 ，出现即替换或标注。代词与人称统一 ，中文常省略主语，译文需按上下文补。数字、单位、日期单独校验 ，这是最高频的严重错误。
五、译后编辑流程
graph LR
A["源文"] --> B["MT 初翻"]
B --> C["质量估计<br/>QE 打分"]
C -->|高分| D["轻度编辑"]
C -->|低分| E["人工重译"]
D --> F["术语/数字校验"]
E --> F
F --> G["入库 + 回收为语料"]
G --> B
环节 关键动作 质量估计 用 QE 模型或回译一致性打分，决定人工投入 轻度编辑 只改错译与术语，不改风格 校验 数字、单位、专名、格式（加粗/链接）逐项过 回收 人工定稿回流为平行语料，形成闭环
六、六类高频错误
错误类型 例子 应对 术语不一致 同一术语三种译法 术语表 漏译 长句后半段丢失 句对齐检查、长度比告警 数字单位错 5 million → 5 万 正则抽取比对 专名误译 品牌名意译 白名单保护 语序生硬 直译导致的中文欧化 提示中给风格示例 幻觉补全 原文没有的内容被补上 长度比与回译检测
📋 一页速查
问题 答案 BLEU 涨了就更好吗 不一定，用 MQM 或 COMET 校验 质量上限由什么决定 语料与术语 领域适配第一步 术语表 + 提示示例 最宝贵的资产 历史人工译文 最高频的严重错误 数字与单位 怎么控上线质量 QE 打分 + 分级人工介入
🔗 相关链接