Maschinelle Übersetzung
Text aus einer Sprache in eine andere übertragen
Der vollständige Artikel liegt auf Englisch vor; Titel und Zusammenfassung sind lokalisiert.
WAS DIESE FÄHIGKEIT BEDEUTET
Takes source-language text and outputs a translation. Unlike open-ended generation it has an objective reference — whether the translation is faithful — and unlike summarisation it should not drop content but rebuild it as evenly as possible. Beyond prose it must handle terminology lists, markup and placeholders so the output can be pasted back into the original system.
Wie sie technisch umgesetzt wird
When the Transformer was introduced in 2017, the encoder–decoder with attention was designed for translation, and neural machine translation has since largely replaced statistical systems. Source sentences are encoded and target sentences decoded, trained on parallel corpora. Recent multilingual models cover a hundred-plus languages with one set of parameters and treat translation as an instruction, while low-resource languages lean on transfer from high-resource ones and back-translation.
Repräsentative Produkte
6DeepL Translator
2017Ein neuronaler Maschinenübersetzer, der auf Übersetzungsqualität setzt
GPT-4o
2024Ein von Grund auf multimodales Allzweckmodell: Text, Bild und Audio über einen Zugang
Gemini
2023Ein von Grund auf multimodales Allzweckmodell für sehr langen Kontext
Qwen
2023Eine Open-Weights-Familie über viele Größen hinweg, mit multimodalen Versionen
Hunyuan
2023Tencent Generalmodell-Familie mit Open-Weights-Versionen
Whisper
2022Transkribiert Sprache in vielen Sprachen und übersetzt sie ins Englische
Beteiligte Organisationen
Typische Verwendungen
- Cross-border documents and contracts
- Localisation of software and websites
- Real-time cross-language communication
- Paper abstracts and subtitles
Wie sie bewertet wird
- BLEU
- N-gram overlap with references; higher is better but not readability
- COMET
- A neural faithfulness score for translations
- chrF
- Character-level F-score, steadier for morphologically rich languages
Grenzen und schwierige Punkte
- Quality on low-resource languages and dialects trails high-resource ones by a wide margin
- Terminology and proper-noun consistency drifts across a long document
- Idioms, puns and culture-specific wording are often translated literally and lose meaning
Konzepte dahinter
Transformer-Architektur
Statt Wort-für-Wort-Stafette ein Raum, in dem alle zugleich sprechen — und weite Abhängigkeiten sind nur einen Schritt entfernt
Attention-Mechanismus
Jede Position kann direkt auf alle anderen blicken und ihre Aufmerksamkeit nach Relevanz verteilen
Tokenisierung
Modelle lesen keine Zeichen, sondern Tokens – und die Zerlegung bestimmt still Fähigkeit wie Kosten