更新于

LLM 中英翻译能力对比：GPT vs Claude vs Gemini vs DeepSeek

模型评测翻译LLMGPTClaude

“大模型翻译是不是比 DeepL 更好？“——这是开发者和内容团队都会问的问题。答案是：取决于场景，取决于你对”好”的定义，取决于你选的模型。

本文做一件实用的事：对 GPT-4o、Claude Sonnet 3.7、Gemini 2.5 Pro、DeepSeek-V3 和通义千问 Max 在中英翻译场景下的实际表现进行系统对比，给出可以直接用于选型决策的结论。

一、测试方法说明

本次测试设计了 5 种翻译场景，每种场景 10 个测试样本（中→英 5 个，英→中 5 个），共 50 个测试样本。

评分维度（各 20 分，满分 100）：

  1. 准确性：意思是否完整、正确地传达
  2. 流畅度：目标语言读起来是否自然（非机器翻译腔）
  3. 术语准确性：专业词汇是否正确处理
  4. 格式保留：Markdown、代码注释、表格等格式是否完整
  5. 语境适应性：语气和风格是否符合场景（正式/非正式）

测试时，所有模型使用相同 system prompt：

你是一位专业翻译，请将以下文本翻译成[目标语言]。
要求：保留原文格式和标点风格，专业术语用业界通用译法，避免直译导致的生硬感。

所有评分由人工独立评估（3 名评审取均值），不使用 LLM-as-Judge 以避免偏差。以下评分为近似参考，基于特定测试样本，不代表所有场景。

二、综合评分结果

模型技术文档商务文本新闻资讯文学/创意代码注释综合均分
GPT-4o889186799086.8
Claude Sonnet 3.7878988838887.0
Gemini 2.5 Pro858790778484.6
DeepSeek-V3848582748682.2
通义千问 Max828385718080.2

各分数为近似评估值，误差范围约 ±3 分。

核心结论：Claude 和 GPT-4o 在整体均分上非常接近，各有擅长场景；DeepSeek 和通义千问在成本优势明显的情况下，综合质量差距不算大（约 5-7 分）。

三、分场景深度分析

3.1 技术文档翻译

测试样本类型：API 文档、技术白皮书、工程规范

典型难点：专业术语一致性、代码与文本混排、被动语态的处理

示例测试（英→中）：

原文：

The function returns a Promise that resolves with the parsed Response object when the request completes successfully, or rejects with an Error if the network is unavailable.

模型翻译结果
GPT-4o该函数返回一个 Promise，在请求成功完成时以解析后的 Response 对象 resolve，若网络不可用则以 Error reject。
Claude该函数返回一个 Promise：请求成功完成后以解析好的 Response 对象 resolve；若网络不可用，则以 Error reject。
DeepSeek该函数返回一个 Promise，当请求成功完成时，它将用解析后的 Response 对象进行 resolve，如果网络不可用，则用 Error 进行 reject。

GPT-4o 和 Claude 在保留技术词汇（Promise、resolve、reject）的同时让中文读起来更自然；DeepSeek 的版本相对偏直译，读起来略显冗余。

结论：技术文档场景 GPT-4o ≈ Claude > DeepSeek > Gemini > 通义千问

3.2 商务文本翻译

测试样本类型：商务邮件、合同条款、产品发布通告

典型难点：正式语气、礼貌措辞、法律用语的精确性

示例测试（中→英）：

原文：

贵司若对合作条款有任何疑问，欢迎于本邮件收到后三个工作日内与我方市场部门联系。

模型翻译结果
GPT-4oShould you have any questions regarding the terms of cooperation, please do not hesitate to contact our Marketing Department within three business days of receiving this email.
ClaudeShould you have any queries regarding the terms of our collaboration, we welcome you to contact our Marketing Department within three business days of receiving this email.
通义千问If you have any questions about the cooperation terms, please contact our Marketing Department within 3 working days after receiving this email.

GPT-4o 和 Claude 的版本更符合商务英语的正式语感，“Should you have” 的倒装句式优于 “if you have”；通义千问的版本语法正确但语气略显普通。

结论：商务文本场景 GPT-4o > Claude > Gemini > DeepSeek ≈ 通义千问

3.3 文学 / 创意文本翻译

这是差距最大的场景。

示例测试（中→英，鲁迅《故乡》片段）：

原文：

我冒了严寒，回到相隔二千余里，别了二十余年的故乡去。

模型翻译结果
ClaudeBraving the bitter cold, I returned to my hometown, some two thousand li away, from which I had been absent for more than twenty years.
GPT-4oDespite the bitter cold, I made my way back to my hometown—more than two thousand li away—from which I had been separated for over twenty years.
DeepSeekI braved the severe cold and returned to my hometown, which was more than two thousand li away, a place I had not visited for more than twenty years.

Claude 在文学翻译上表现稍好：Braving the bitter cold 比 Despite the bitter cold 更有文学动感，from which I had been absent 中的 absent 带有一种隐含的遗憾感，更贴近原文氛围。DeepSeek 的版本偏向解释性，少了一些文学质感。

结论：文学/创意翻译场景 Claude > GPT-4o > Gemini > DeepSeek > 通义千问

3.4 新闻 / 资讯翻译

Gemini 在这个场景表现相对突出，推测与其训练数据中包含大量新闻文本有关。

结论：新闻场景 Gemini > Claude > GPT-4o > 通义千问 > DeepSeek

3.5 代码注释翻译

测试样本类型：英文代码注释翻译为中文，中文注释翻译为英文

关键点：技术准确性 + 简洁（注释不能太啰嗦）

所有模型在这个场景表现都比较接近，GPT-4o 和 DeepSeek 略有优势（后者可能因为有更多代码训练数据）。

四、长文本一致性测试

单句翻译之外，我们还测试了长文本（5000 词以上）的术语一致性，即同一个术语在全文中是否被一致翻译。

模型长文本术语一致性备注
GPT-4o中等偶尔在前后章节出现不一致
Claude较好整体一致性最优
Gemini中等有时在同义词间随机切换
DeepSeek一般长文本中不一致率较高

对于需要翻译长篇技术文档的场景，提前建立术语表并在 system prompt 中指定可以显著改善所有模型的一致性：

TERMINOLOGY = {
    "inference": "推理",
    "fine-tuning": "微调",
    "context window": "上下文窗口",
    "token": "token（不翻译）",
}

system_prompt = f"""
你是专业技术文档翻译，请将英文翻译成中文。
必须遵守以下术语表：
{json.dumps(TERMINOLOGY, ensure_ascii=False, indent=2)}
"""

关于完整的 AI 翻译工作流工程化实现，请参考用 AI API 做高质量翻译的工程化流程。

五、成本 vs 质量权衡

在综合质量相差不大的前提下，成本差异往往决定实际选型：

模型约定价（每百万 token 输入+输出均价）质量均分性价比
GPT-4o$5 + $1586.8中
Claude Sonnet 3.7$3 + $1587.0中偏高
Gemini 2.5 Pro$1.25 + $1084.6中高
DeepSeek-V3$0.27 + $1.182.2极高
通义千问 Max$0.4 + $1.2（近似）80.2高

以上价格为近似参考，以各官方平台实时价格为准。

实用选型建议：

  • 高质量要求、可接受较高成本（如出版、法律文书）→ Claude Sonnet 或 GPT-4o
  • 大量文档、中等质量要求（如产品文档、内部翻译）→ Gemini 2.5 Pro 或 DeepSeek-V3
  • 代码注释批量翻译（大量、低单价要求）→ DeepSeek-V3（质量可接受，成本极低）
  • 新闻/资讯实时翻译 → Gemini 2.5 Pro

六、实测中的有趣发现

  1. Claude 倾向于主动询问歧义：当原文有多种翻译可能时，Claude 有时会提出两种译法供选择，而不是直接给一个答案。这对批量翻译场景是麻烦，但对需要精准的单句场景是加分项。

  2. GPT-4o 的中文更”大众化”：在中文输出上，GPT-4o 的用词更倾向于大众常用语，Claude 有时偏向书面语。两者都对，取决于你的目标受众。

  3. DeepSeek 在中→英方向弱于英→中：这可能反映了训练数据的分布特征。

  4. 所有模型在双语混排（中英混）场景都有瑕疵：如原文本身夹杂英文缩写时，各模型处理方式不一，需要在 prompt 里明确指定规则。

七、相关阅读

如果你需要在翻译场景中切换测试多个模型，YoTradeApi 提供统一的 API 中转接口，一行代码切换 Claude、GPT-4o、DeepSeek，省去多平台 key 管理的麻烦，按量计费无起购门槛。

相关阅读