日常文本翻译，各家 AI 工具的差距已经不大，通顺程度肉眼难分。分水岭在专业领域：法律、医学、技术文档里术语错一个，整句意思就偏了，而通用评测恰恰测不出这一点。要知道一款工具能不能用在你的领域，只能拿你自己的材料测，比测方法本身比结论更有价值。
为什么通用评测不够用
通用评测的语料以新闻和日常文本为主，考察的是流畅度；专业文本考察的是准确度，两个维度不通用。用一篇新闻稿测出来的「翻译质量很高」，放到术语密集的技术文档里可能完全不成立。行业表述习惯也没法靠通用语料覆盖：同一个英文词，不同行业有约定俗成的不同译法，工具没有领域语料时就容易按字面直译。所以比测的第一原则：材料必须来自你自己的真实工作，哪怕是脱敏后的片段。
一套可以直接照做的比测流程
第一步备料：从近期真实工作里挑三段材料，各 200 字上下——一段术语密集、一段长难句集中、一段数字与单位连串。第二步同题作答：同一份材料分别交给两到三款工具，关闭任何润色选项，拿到原始输出。第三步对照评分：按术语准确、表述符合行业习惯、数字单位无误、语句无漏译四个维度逐段打分。第四步留档：每次比测记下工具版本和日期，隔一段时间复测一次，版本更新后结论可能翻转。整个流程一轮大概 30 分钟，比凭印象频繁切换工具省得多。
这种「同一材料、固定维度、留档复测」的做法，和转写类工具的实测对比是同一套思路，可参考这篇 AI 录音转写实测对比。
术语表：专业场景的入场券
专业翻译的核心要求是同一个术语从头到尾只有一个译法。看一款工具的专业能力，先看它支不支持导入自定义术语表，导入后能否强制全文统一。支持的，长文场景优势明显；不支持的，就要靠译后人工检索核对，工作量按字数线性上涨。没有现成术语表的团队，可以先从近期材料里人工整理 50 到 100 个高频术语建一份起步表，比空谈「统一用语」实际得多。
涉及未公开文件的翻译还要考虑数据去向：不愿外传的材料，网页版与本地部署的差异可以参考这篇 网页版和本地部署的体验对比。
长文一致性：单句翻得再好也救不回来
长文档的高发问题是前后不一致：同一个词开头译成 A、三十页之后变成 B；小标题一个译法、正文另一个译法。单句质量再高，这种不一致也会让读者怀疑全文可靠性。检查方法有两个：把核心术语逐个在译文里检索一遍，看译法是否唯一；再抽两三段做回译对照，看意思有没有漂移。一致性比漂亮更重要，这是长文翻译的第一判断。
人工介入的顺序也有讲究：先整体通读一遍开头和结尾，确认工具没有理解错全文基调，再按术语表逐项核对，最后处理长难句。从句往句改、从局部往全文改，返工最少。
比测记录表
| 检查维度 | 具体操作 | 合格标准 | 常见失效信号 |
|---|---|---|---|
| 术语准确 | 对照领域内约定译法逐个核对 | 术语与行业通用译法一致且全文统一 | 同一个词前后译法不同 |
| 行业表述 | 抽读整段，比对行业惯用句式 | 母语从业者读起来不像翻译腔 | 按字面直译的搭配 |
| 数字与单位 | 逐个核对数值、单位、进制换算 | 数值与原文一致，单位符合目标语言习惯 | 单位漏译或误换算 |
| 长文一致性 | 术语检索加抽样回译 | 核心术语译法唯一，回译无漂移 | 标题与正文译法不统一 |
按用途给 AI 工具分类的通用思路，可参考这篇 按场景选 AI 的方法。
专业翻译比测速查
- 用自己领域的真实材料测，新闻稿测不出专业水平
- 三段 200 字材料、固定四维度打分、留档复测
- 先查术语表支持，再谈长文翻译
- 长文重点查一致性：术语检索加抽样回译
比测之外的三个疑问
没有标准译文，怎么判断谁对谁错？不需要现成答案。把争议句摘出来，回到原始定义源——术语的行业标准、上下文的业务含义，判断依据是事实，不靠语感。
术语表该多细？先收高频和易错词，50 到 100 个起步；缩写、产品代号、单位写法的优先级高于普通名词，表越臃肿维护成本越高。
机器翻完还要人工做什么？至少三步：术语抽查、数字单位核对、行业表述通读。排版和图表里的文字最容易漏，单独检查一遍。
