gpt-o3均分8.7领跑，第45周4大模型翻译盲评结果出炉
本周共翻译 382 篇文章，覆盖 4 个AI模型。经抽样盲评，gpt-o3 综合得分最高（8.7/10）。报告详细对比各模型在准确性、流畅性、术语一致性方面的表现差异。
本周共完成382篇翻译任务，由4个模型分担。团队从中抽取3篇做多模型盲评对比，综合表现最好的是gpt-o3，均分8.7/10。
本周翻译统计
| 模型 | 语言 | 翻译量 | 平均耗时 | 平均质量评分 |
|---|---|---|---|---|
| deepseek-v4-flash | en | 70 | 18.4s | 未评 |
| claude-sonnet-4.6 | ja | 190 | 49s | 未评 |
| passthrough | en | 118 | 0s | 未评 |
| native-english | en | 2 | - | 未评 |
| deepseek-v4-flash | zh | 2 | 6.3s | 未评 |
抽样对比评测
评测 1：GPT-6 Astra 与 GPT-6 Sol并列84.9分：2026-11-02 Smoke快测数据简报
| 模型 | 准确性 | 流畅性 | 术语 | 可读性 | 总分 |
|---|---|---|---|---|---|
| deepseek-v4-flash | 7 | 9 | 8 | 9 | 8 |
| deepseek-v4-pro | 9 | 8 | 9 | 8 | 8 |
| gpt-o3 | 8 | 8 | 7 | 8 | 8 |
deepseek-v4-flash
✓ 段落与表格结构都清楚完整。比如「The 2026-11-02 Winzheng Index Smoke quick test covered 14 models」这句，把原文信息直接摆了出来，逻辑也连贯。
✗ 有明显误译：「Winzheng Index」和B、C两个版本的「YZ Index」对不上，可能偏离了原文意思。
deepseek-v4-pro
✓ 术语一致性不错。像「Code Execution」和「Material Constraints」都与公式对得上，也没有出现明显的错译。
✗ 输出成了JSON格式，不是纯HTML，直接影响可读性；结尾的表格还被截断。
gpt-o3
✓ 对个别术语做了适度调整。比如「material constraint compliance」，更贴近原文可能的意图。
✗ 术语一致性稍差：「material constraint compliance」与A、B版本的「material constraints」不统一，表格同样被截断。
结论：三个版本整体质量接近。B版本在准确性和术语一致性上略占优势，A版本流畅性和可读性更好，C版本居中。建议优先考虑B版本，但截断的内容需要补全。
评测 2：原文标题
| 模型 | 准确性 | 流畅性 | 术语 | 可读性 | 总分 |
|---|---|---|---|---|---|
| deepseek-v4-flash | 8 | 8 | 9 | 7 | 8 |
| deepseek-v4-pro | 7 | 7 | 8 | 6 | 7 |
| gpt-o3 | 9 | 9 | 8 | 9 | 9 |
deepseek-v4-flash
✓ 术语用得比较贴合原文「constraint memory」的含义，译成「约束记忆」，概念一致。
✗ 版本末尾出现明显截断，「Qwen3 Max scored R1=0.00 in the first round of the v2 an」属于漏译。
deepseek-v4-pro
✓ 标题译成「Compliance Leaderboard」，相对简洁。
✗ 整体是JSON数组结构，还混着HTML，阅读体验差；同样存在截断，「nearly」没译完。
gpt-o3
✓ 标题「Commitment-Keeping Ranking」与正文「commitment-keeping test」保持一致，结构清晰。
✗ 把「守约」译成commitment-keeping虽可接受，但与正文大量使用的「constraint」术语略有偏差。
三个版本整体质量相差不大。gpt-o3 在结构完整性和流畅性上稍占上风，可它们都有不同程度的截断，最好补全之后再评一次。
评测 3：问 2020 大选谁赢？谷歌 AI 在美国内外两副面孔
| 模型 | 准确性 | 流畅性 | 术语 | 可读性 | 总分 |
|---|---|---|---|---|---|
| passthrough | 6 | 7 | 8 | 6 | 6 |
| deepseek-v4-pro | 9 | 8 | 9 | 9 | 9 |
| gpt-o3 | 9 | 9 | 9 | 9 | 9 |
passthrough
✓ 原文里「weasely answers」这类说法，处理得比较直接，没有过度意译。问题出在内容被明显截断——第二段引用完就没了，大量原文信息因此漏译。
deepseek-v4-pro
✓「different treatment at home and abroad」译成「国内国外两副面孔」，既忠实又自然。但正文最后一句断在「making any statement touch」，没译完。
gpt-o3
✓「minefield」处理为「雷区」，比喻留住了，中文语境也顺。不过这个版本和 deepseek 版高度相似，缺少自己的风格，部分表述还略显重复。
B 和 C 两个版本整体质量接近，都比 A 版本好，建议优先选 B 或 C。
