你接了一单五千字的技术手册，打开 DeepL 或 GPT，整段一粘，回车，再整体复制回去，改改错别字，交付。客户没投诉，你以为"搞定了"。

三个月后客户找回来：标书里"投标截止日"被翻成了"开标日"，合同里"不可抗力"的限定范围整段丢失，说明书的计量单位还是英文"oz"没换算。你百口莫辩——机翻"大概率对"，但错掉的那一两条，恰恰最致命。

这不是你一个人的问题。2025 年行业里最硬的一份评测，把这种"裸翻"的风险量化了。

一、先看清真相：AI 翻译到底"行不行"

独立翻译自动化机构 Intento 在 2025 年 10 月 30 日发布第九版《翻译自动化现状 2025》报告，评测了 46 个机器翻译引擎与大语言模型（LLM），覆盖 11 个语言对，对照五大企业级要求：通用翻译质量、术语准确度、语气一致、格式（标签）完整、全文一致性（Intento，2025）。

结论很扎心，也很关键：

- 基线系统（开箱即用、无监控）平均每篇文本藏着 10–15 个错误；

- 而"按明确需求定制"的方案把错误压到 0–2 个，至少降低 80%，个别场景清零；

- 更妙的是，人工评测者常常分不清 AI 译文和人工译文，"有时还给了 AI 更高分"（Intento，2025）。

换句话说：AI 翻译不是"不行"，是"裸用不行"。差距不在模型，在 workflow（工作流）。Intento 还发现，明确需求 + 多代理工作流（翻译者→审校者→译后编辑分工）在 11 个语言对里拿了 9 个"最佳"评级——这是单模型怎么迭代都补不回来的结构优势（Intento，2025）。

二、WMT25 基准：谁在领跑，别再盲信"一个模型通吃"

每年一度的 WMT（机器翻译大会）通用机器翻译评测，是行业最权威的标尺。2025 年 8 月 11 日发布的 WMT25 初步排名（基于自动指标，最终以 11 月人工评测为准）显示：在通用大模型里，Google 的 Gemini-2.5-Pro 与 OpenAI 的 GPT-4.1 在多语言上稳居前列，Cohere 的 CommandA 紧随其后，DeepSeek-V3、Claude-4 构成第二梯队（Slator，2025-08-11）。

而专精翻译的模型同样亮眼：腾讯混元（Hunyuan-MT）在 WMT2025 通用机器翻译任务中，31 个语言对拿下 30 个第一，其中英中方向超越所有开源与闭源系统（腾讯 Hunyuan-MT，WMT2025）；阿里国际的 Marco-MT（基于 Qwen3-14B）在 13 个方向上拿下 6 个第一、4 个第二，英中方向同样登顶（Alibaba Marco-MT，WMT2025）。

对译者来说，这条信息极其实用：别迷信单一工具，按语言对和领域选"专项选手"。欧洲语言交给 DeepL，文档级连贯交给 GPT-5/Claude，英中相关交给国产混元、Marco——把对的人放在对的位置，比"用一个模型硬扛全部"稳得多。

三、MTPE 到底是什么：ISO 18587 给的底线

机翻 + 人工修订，行业叫 MTPE（Machine Translation Post-Editing，机器翻译译后编辑）。它不是"检查拼写"，而是一套有国际标准的流程。

国际标准 ISO 18587:2017《翻译服务——机器翻译输出译后编辑要求》（现行有效，正处于修订待发布阶段）明确规定：全译后编辑要确保信息不增不减、改写任何不当内容、重组错乱句义、产出语法/语义正确的目标语、遵循客户与领域术语、遵守拼写标点规则、符合文本类型风格、落实格式规范（ISO，2017）。

一句话：MTPE 的目标是产出"接近人工翻译质量"的文本，而不是"读得通顺就行"。标准同时强调——并非所有文本都适合 MTPE：创意文案、强法律属性、高风险广告、术语不稳的源文，反而更适合纯人工或混合流程（iso18587.com；Translation Standards Austria）。把 MTPE 当万能药，反而最容易在关键稿上翻车。

四、核心方法论：四步 MTPE 工作流（拿来即用）

落到日常接单，我把可复制的流程拆成四步，从性价比最高的往下排：

第 1 步：AI 初翻（选对引擎）

把源文按语言对和领域投给合适的引擎。高资源欧洲语言（英德、英法、英西等）优先 DeepL；文档级连贯、品牌语气用 GPT-5/Claude；英中、中文相关优先腾讯混元、阿里 Marco 等国产强项（见第二节基准）。

第 2 步：双语对照译后编辑

打开 CAT 工具（如 Trados、memoQ、OmegaT）或对照视图，逐句比对源文与机翻稿。这一步解决 Intento 说的"10–15 个错误"里最致命的那批：漏译、加译、错术语、单位错、语气错位。

第 3 步：术语库 + 翻译记忆（TM）锁死一致性

建立受控术语库（可按 ISO 30042 / TBX 体系），把"不可抗力""投标截止日"等核心词固定；用翻译记忆库沉淀历史句对，重复内容自动复用，既保一致又降成本。

第 4 步：MQM 质量自查（见下节）

交付前用 MQM 框架过一遍，把残余错误量化、定位、清零。

附：给 GPT 的翻译提示词模板（直接复制改）

```

你是一名资深[目标语]本地化译员。请将以下[源语]文本译为[目标语]，要求：

仅做忠实翻译，不增删原文信息；

术语遵循以下列表：[粘贴术语表]；

语气：[正式/克制/口语]，符合[行业]读者习惯；

单位换算为本地习惯（如 oz→克、英里→公里）；

保留原文段落结构与标记符（如 {tag}、[1]）；

输出仅译文，不要解释。

【源文】

{粘贴文本}

```

这套提示词把"明确需求"前置——正好对应 Intento 报告里"需求驱动错误降 80%"的结论。

五、MQM：把"感觉不对"变成"可量化清单"

光说"我再检查一遍"太虚。行业现在用 MQM（Multidimensional Quality Metrics，多维质量指标） 框架做质量评估——它已被 WMT25 采纳为官方评分体系之一（MQM/ESA 量表，Kocmi 等，WMT25）。

MQM 把翻译错误分成七个高层维度（themqm.org）：

术语——不符合规范术语；

准确（Accuracy）——增译、漏译、错译、未译；

语言规范（Fluency）——拼写、标点、语法、语域、一致性；

风格——偏离客户风格指南；

Locale 惯例——数字、货币、度量、日期、地址格式；

受众适配——文化指涉不当；

设计与标记——标签、排版、链接错误。

实战打分小例子：一段英译中产品说明，机翻稿出现"重 1.5 磅（lb）未换算为克""'login' 译作'登录'但全文时而'登入'"，便分别归入 Locale（单位）与术语（不一致）维度。译后编辑时，照这张表逐维打勾，比"凭感觉通读"稳得多——尤其长文档里，MQM 能把"第 3 段那个单位错"精确归到 Locale 维度，避免反复通读还漏掉。

六、工具选型：DeepL 还是 GPT-5？

这是自由译者问得最多的问题。2025 年 Slator 跨 12 个欧洲语言对的基准给出直观答案：DeepL 在 9 对上 BLEU 领先，GPT-5 仅在 3 对（法英、意英、英葡）占优；但 DeepL 强在句级质量与高量一致性，GPT-5 强在文档级连贯与品牌语气（eldris.ai 对比；Slator 基准）。

成本上差距更明显：DeepL API 约 25 美元/百万字符，GPT-4o 约 2.5 美元/百万输入 + 10 美元/百万输出（eldris.ai）。DeepL 输出确定可缓存（同样输入同样输出），GPT 每次略有差异——长尾内容反复改版时，DeepL 的"确定性"是真金白银。

实操建议（结合上述基准与评测）：

- 高量、欧洲语言、术语敏感 → DeepL 打底；

- 长文、品牌稿、需要"像一个人写的" → GPT-5/Claude 打底；

- 英中/中相关 → 国产混元、Marco 当前基准更强；

- 关键交付 → 双模型交叉校验（呼应 Intento 多代理 9/11 最佳的结论）。

七、避坑提醒

- 别把机翻当终稿：Intento 实测基线 10–15 错/篇，技术参数、价格、合规一旦错，后果远超"读不通"。

- 别只用单模型：同一句话不同模型会给出三种"都像对的"答案，错误是各模型特有的（NCFA 引述行业测试）；交叉验证能把关键错误率压到 2% 以下。

- 长文档错误会累积：单模型在长文里"各自埋雷"，长度越长失分点越多，务必分段 + MQM 兜底。

- 低资源语言别硬上：WMT25 专门设低资源斯拉夫语言任务，说明主流模型对稀有语种仍薄弱；涉及少数民族语、濒危语，优先人工。

八、自由译者接单提效清单

□ 接单先看文本类型：是否适合 MTPE（ISO 18587 适用性评估）？

□ 按语言对/领域选初翻引擎（欧语 DeepL、文档 GPT-5、英中混元/Marco）。

□ 建术语库 + TM，重复内容自动复用降成本。

□ 双语对照逐句译后编辑，重点打"准确 + Locale + 术语"三维度。

□ 用 MQM 七维度自查，残余错误归位清零。

□ 关键稿双模型交叉校验，保留修改痕迹备查。

记住一条铁律：AI 是"初稿引擎"，不是"终审法官"。 你把流程做对，机翻从"埋雷"变成"提效"——同样八小时，你能接两倍单，还睡得着觉。

你现在的 MTPE 流程卡在哪一步？评论区说一下，我挑典型的下期拆。