夜雨聆风
前沿研究 | AI 翻译正在＂胡编＂你的合同
苹果最新论文揭露：96% 的”幻觉”，正在被技术化解
——一份给所有专业译者的”AI 翻译质量自救指南”
先讲三个真实发生的故事——
【场景一】某医疗会议上，AI 转录翻译工具把患者讲述的 “父亲再婚不久后去世”篡改为“她确实在 65 岁时去世了”。同一份转录里，AI 还凭空捏造了一种叫”高活性抗生素”的药物名称。
【场景二】一家跨国企业的商务谈判中，翻译耳机漏译了一个关键的语气词，把对方的委婉拒绝翻成了积极回应——双方差点在”达成共识”的错觉中签下分歧巨大的合同。
【场景三】 2023 年 6 月，一名美国律师用 ChatGPT 起草法庭文书，文中引用了 6 个”格式工整、来源标准、看起来无懈可击”的判例——结果全部都是 ChatGPT 凭空编造的，根本不存在。这位律师最终被法院罚款。
这三件事看似不相关，但它们指向同一个深藏在 AI 翻译技术底层的——而且很少有翻译从业者真正搞懂的——核心问题：
|
AI 不是”翻译错了”，它是在”胡编”。 这种行为，技术界给了它一个专门的名字——”幻觉”（Hallucination）。 |
就在 2025 年初，一篇由波士顿大学与苹果公司联合发表的论文，把”翻译幻觉”这个老问题推到了行业聚光灯下——
|
Tang Z, Chatterjee R, Garg S. (2025). Mitigating Hallucinated Translations in Large Language Models with Hallucination-focused Preference Optimization. arXiv:2501.17295. （中文标题：《通过幻觉聚焦偏好优化缓解大语言模型的翻译幻觉》） |
更让人振奋的是，2025 年 10 月，阿里巴巴国际数字商业集团紧跟其后，发布了一篇更进一步的论文—— M²PO（多对多视角偏好优化），专门从中国行业实战的视角，提出了对抗翻译幻觉的全新框架。
|
Wang H, Xu L, Liu H, et al. (2025). Beyond Single-Reward: Multi-Pair, Multi-Perspective Preference Optimization for Machine Translation. arXiv:2510.13434. |
两篇论文，给出了同一个让译者振奋的结论——
|
AI 翻译幻觉，不是”无解的玄学”，而是可以被系统性识别、量化、并且大幅降低的工程问题。 |
苹果的实验数据显示：在英→捷克、英→德、英→冰岛、英→俄、英→中文这 5 个语言对中，他们的方法把幻觉率平均降低了 96%；在没见过的 3 种新语言上，也降低了 89%。
今天，我们就把这两篇前沿论文的核心精华，“翻译”成普通译者能立刻用上的实战指南。
01
什么是“翻译幻觉”？四种你必须警惕的形态
在动论文之前，我们先帮你建立一套“识别幻觉”的眼力。
“幻觉”这个术语最早来自 2017 年 Google 研究团队描述神经机器翻译（NMT）的一种异常行为——模型生成了与原文完全无关的输出。后来 Meta 在 2021 年发布 BlenderBot 2 时，把它定义为：
|
“自信但不真实的陈述（Confident but untrue statements）。” |
简单说：AI 的幻觉，不是”它不知道”，而是”它一本正经地胡说八道”——而且常常说得比真话还流畅、还让人信服。
在翻译场景中，幻觉至少有四种典型形态——
图 1：翻译幻觉的四种典型形态（基于学界研究整理）
① 事实幻觉（Factual Hallucination）——AI 在”添加私货”
原文里只说“上周提了项目”，AI 译文却给你加上了”张明在上周三的董事会上“。这些原文里根本不存在的具体细节——人名、时间、地点、数字——都是 AI 凭空生成的。
为什么会这样？因为大语言模型的训练目标是“生成最像人话的内容“，而不是”只说原文里有的内容“。当原文比较抽象、信息稀疏时，模型就会本能地”补全”——把空白填满，让译文看起来更”具体可信”。
② 忠实性幻觉（Faithfulness Hallucination）——译文很美，但意思不对
这是最危险的一种。文章开头那个医疗案例就是典型：原文说“父亲再婚不久后去世“，AI 译成”她确实在 65 岁时去世了“——主语换了、时间编了、关键信息全丢了，但读起来依然像一句”看似合理”的话。
忠实性幻觉的可怕之处在于：你光看译文是看不出问题的，必须对照原文逐字核查。
③ 语境扰动幻觉（Perturbation Hallucination）——一颗芝麻引发的雪崩
这是 Google 研究者最早发现的现象。在德语原文前面加一个无关的小词，比如 “mit”（与）、”werden”（成为）、”dass”（that），整段译文就完全跑偏，输出与原文毫不相关的句子。
这反映出 NMT/LLM 模型对输入扰动的极度敏感和脆弱——它的”理解”，远比我们想象的要表面。
④ 引用幻觉（Citation Hallucination）——格式正确，内容虚构
这就是开篇那位美国律师踩的坑——AI 给你生成的判例引用、学术参考、研究数据，格式标准、出处明确、看起来无懈可击。但当你真的去 Westlaw、Google Scholar、JSTOR 上查证时，会发现：它们根本不存在。
这四种幻觉，就是悬在每一位译者头上的“四把达摩克利斯之剑”——尤其是当你接的活儿涉及法律、医疗、合同、学术等高风险领域时。
02
AI 为什么会”胡编”？理解了原理，你才能精准识别
在我们讲怎么对抗幻觉之前，必须先搞懂——AI 为什么会产生幻觉？这是阅读这两篇前沿论文最核心的钥匙。
原因一：大语言模型本质上是“概率猜词机”
LLM 工作的核心机制，是基于上文预测”下一个最可能出现的词”。它没有真正的“理解”，只有概率。
当原文中出现一个低频专有名词（比如某个地名、某个药品名），模型在训练数据中很少见过，它就会“猜”一个语料里更常见、更”合理”的词来代替——这就是为什么会出现”高活性抗生素”这种听起来正经、但实际不存在的术语。
原因二：训练目标和翻译目标不完全一致
主流 LLM 在训练阶段做的是“生成连贯文本”的任务，并不是专门为“忠实翻译”设计的。当我们用它来做翻译时，它的本能是——
|
“我要生成一段读起来通顺、自然、符合目标语言习惯的文字。” |
注意：在它的“目标函数”里，“忠实于原文”是排在”流畅自然”之后的。所以当二者冲突时，它常常会牺牲忠实，去成全流畅。
原因三：传统训练数据里“忠实信号”严重不足
苹果论文中给出了一个非常关键的洞察——传统机器翻译的训练数据中，几乎没有“反面教材”。
什么意思？训练数据告诉模型“什么是对的翻译”（Reference）；但很少明确告诉它”什么是错得离谱的翻译（Hallucination）“。
这就好比训练一个新司机——你只给他看正确驾驶的视频，从不告诉他”这种动作千万不能做”。结果就是：他开起来很流畅，但一旦遇到边缘情况，就有可能酿成事故。
03
苹果论文的解法：让 AI 学会”自我纠错”——幻觉率降低 96%
苹果团队的核心思路非常巧妙——既然问题是”训练数据里没有反面教材”，那就主动给模型造一些反面教材让它学。
核心方法：构建“幻觉聚焦的偏好数据集”
整个方法分三步——
【第一步】让模型先生成多个候选译文，然后用质量评估工具自动识别出哪些是“准确翻译”，哪些是”含有幻觉”。
【第二步】把这些译文配对成“偏好数据集“——准确的标记为”偏好（preferred）“，含幻觉的标记为”不偏好（dispreferred）“。
【第三步】使用一种叫CPO（对比偏好优化，Contrastive Preference Optimization）的训练技术，让模型在每一次生成时，都主动避免那些“看起来合理但实际是幻觉”的输出。
实验数据：5 + 3 个语言对的全方位胜利
图 2：苹果论文实验数据示意（基于论文摘要中的 96% 整体降幅）
苹果的实验结果非常硬核——在 5 个语言对（英→捷克 / 德 / 冰岛 / 俄 / 中文）的标准测试集上，幻觉率平均降低了 96%；更重要的是，这些经过“反幻觉训练”的模型，没有牺牲整体翻译质量。
更厉害的是——在没有训练过的 3 个新目标语言上（零样本场景），幻觉率仍然降低了89%。这意味着：“反幻觉能力”是可以泛化的，并不局限于训练时见过的语言对。
阿里 M²PO：从”单视角”到”多视角”的进一步突破
紧跟苹果论文的脚步，2025 年 10 月，阿里巴巴国际数字商业集团在 arXiv 上发布的 M²PO 框架，把这种思路又推进了一步——
苹果的方法用的是“单一奖励信号“——只看译文是否含有幻觉。但阿里团队发现：这种单一信号会忽略一些关键的事实性错误。
于是 M²PO 引入了”多视角奖励引擎“——同时融合：
✓ 幻觉惩罚信号：识别那些事实性错误（比如生造的人名、错误的数字）
✓ 动态质量评分：结合外部评估和模型自身的进化判断
✓ 多对偏好构建：从所有候选译文中系统化地构造丰富的“对比对”，让模型学到更细腻的质量判断
阿里 M²PO 在 WMT21-22（机器翻译领域最权威的评测基准）上，性能已经接近顶尖闭源大模型——这意味着中国团队，正在和苹果同步，攻克这一前沿难题。
04
给译者的实战指南：四步“反幻觉”检验法
讲了这么多前沿研究，对我们一线译者最实用的问题是——
在论文成果还没完全落地到日常翻译工具之前，我们怎么用“人工守门”的方式，提前规避幻觉风险？
我们结合两篇论文的核心洞察 + 一线译者的实战经验，提炼出一套”译者反幻觉四步检验法”——
图 3：译者”反幻觉”四步检验工作流
第一步：事实回查（Fact Check）
把 AI 译文里所有的“硬事实”挑出来，逐一对照原文核查——人名、地点、机构名、日期、数字、金额、专业术语、产品型号、关键引用与出处。
黄金法则：原文有的，译文得有；原文没有的，译文一个字都不能多。
第二步：语义对齐（Semantic Alignment）
这一步专门对付“忠实性幻觉“——译文很流畅，但意思可能完全偏了。重点核查：
• 关键名词的指代（”他””她””它”指向了原文里正确的对象吗？）
• 时态与情态（过去发生的事别译成将来；可能性的事别译成确定）
• 否定与转折（”not””but””however”这些词是否被忽略或弄反）
黄金法则：流畅≠ 正确。通顺背后，可能藏着方向反了的陷阱。
第三步：边界排查（Boundary Check）
专门对付“事实幻觉“——重点检查 AI 是否在原文的”留白处”凭空展开。
• 对照原文段落数：原文 3 段，AI 不能给你译成 4 段
• 对照原文长度：原文 100 字，AI 译文不应该出现 200 字的”细节扩展”
• 重点警惕”修饰语爆炸”：原文一个简单的”会议”，AI 可能给你扩成”上周三下午在董事会议室举行的紧急战略会议”
黄金法则：幻觉常出现在原文的“留白处”——AI 喜欢把一切空白补满。
第四步：风险打分（Risk Scoring）
说实话——不是所有翻译任务都需要前面三步全跑一遍。但所有任务都应该按“风险分级”管理：
• 法律 / 医疗 / 合同 / 财报：100% 字字复核，幻觉零容忍
• 商务通信 / 技术文档：80%+ 关键信息核查
• 营销内容 / 网站文案：抽样核查 + 整体语义复盘
• 内部参考 / 邮件草稿：可以更宽容，但仍需快速浏览
黄金法则：风险越高的内容，越不能依赖 AI 的”自信”。给你的工作流装上”分级守门”，是 AI 时代每位专业译者的基本修养。
05
写在最后：当工具懂得“自我审视”，译者才能真正放心
回到文章开头那三个真实故事——医疗会议的”被改写的死亡时间”、跨国谈判的”被颠倒的拒绝”、法庭文书的”被编造的判例”。
这些幻觉，本来都是可以被识别和拦截的。
苹果和阿里的两篇前沿论文给我们的最大启示是——
|
AI 翻译质量的下一个突破点，不在”译得更快”，而在”懂得自我审视”。 |
一个真正成熟的翻译工具，应该具备这样的能力——
• 多智能体协同：让一个智能体生成译文，另一个智能体扮演“审校官”专门检测幻觉
• 过程可见可干预：把幻觉风险点高亮提示给译者，而不是把“看起来完美”的译文一股脑交给你
• 术语库与上下文对齐：用专业术语库锁定 AI 的”自由发挥”边界，让幻觉无处可生
这正是我们做 Lingualite 的初心——
|
Lingualite 绝非简单的”一键出译文”工具，而是一套全过程可控的多智能体翻译系统。它复刻了专业翻译组织的标准化工作流，让多个智能体在术语识别、初译生成、风格对齐、幻觉排查、一致性校验、人工裁决等环节”互相审视、互相把关”——把术语识别、译前分析、初译生成、风格对齐、一致性校验、人工裁决等环节全部”可视化、可干预、可回溯”。让人的专业判断、AI 的高效算力与翻译行业的宝贵经验深度融合，从根本上让”翻译幻觉”无处藏身。 |
AI 翻译的未来，不是更快地”胡编“出更多幻觉，而是更聪明地——
让每一个字，都站得住脚。
Lingualite·灵光链 —— 面向专业译者的多智能体笔译协作平台
如需体验 Lingualite，可通过以下方式注册使用平台：
访问官网：https://www.lingualite.cn
注册时请务必填写邀请码！完成验证后即可正常使用。
邀请码：v6q9oack19（200 字）
福利激活后即可提交翻译任务，限时体验多智能体协同翻译流程。如已注册但需要更多翻译字数，可自行购买套餐或者字数包来获取字数。
互动话题：
你在工作中遇到过最离谱的“AI 翻译幻觉”是什么？欢迎在评论区分享你被坑过的真实案例～
|
论文来源：1. Tang Z, Chatterjee R, Garg S. (2025). Mitigating Hallucinated Translations in Large Language Models with Hallucination-focused Preference Optimization. arXiv:2501.17295 (Boston University × Apple). 2. Wang H, Xu L, Liu H, et al. (2025). Beyond Single-Reward: Multi-Pair, Multi-Perspective Preference Optimization for Machine Translation. arXiv:2510.13434 (Alibaba International Digital Commerce). 相关参考：Ji et al. (2023) Survey of Hallucination in Natural Language Generation; Guerreiro et al. (2023) Hallucinations in Large Multilingual Translation Models, arXiv:2303.16104. 版权声明：本文对上述论文与行业信息的解读仅供学习交流。论文原文版权归原作者及发表机构所有。如涉及侵权，请联系删除。 |
往期内容推荐：
译者每天都在「修机器的错」，却修不出未来。一篇新论文给出了一个新答案：HACT
d-BLEU 输了一倍，人却更喜欢——这家”虚拟翻译公司”，让翻译界开始重新思考”什么是好译文”
点个♥ 在看，让 AI 翻译不再”胡编”