DeepL vs GPT-5 vs Gemini 3 vs Claude (akadémiai teszt 2026)
DeepL vs GPT-4 akadémiai fordítás, most GPT-5-tel (a GPT-4 utódmodelljével), továbbá Gemini 3-mal és Claude Sonnet-tal, PhD-s lektorok által tesztelve. Nézze meg, melyik teljesít jobban a dolgozatához.
Ezt a kérdést nagyon gyakran kapjuk kutatóktól, akik szeretnék az eredményeiket angolra fordítani. De ők öt különböző nyelven teszik fel nekünk a kérdést: Melyik AI-fordítót használjam az akadémiai dolgozatomhoz? A legtöbb DeepL vs GPT-4 akadémiai fordítás-összehasonlítás már elavult, mert a GPT-5 az a modell, amely leváltotta a GPT-4-et, és ez az a jelenlegi csúcskategóriás megoldás, amelyet itt alapul vettünk. Sajnos 2026 közepén a válasz az, hogy nincs egyetlen mindenre jó megoldás. A négy vezető fordítóeszköz (DeepL, GPT-5, Gemini 3 és Claude Sonnet) különböző dolgokban erős, és attól függ, mire van szüksége az adott felhasználónak. A döntés attól függ, milyen nyelvpárral dolgozik az illető, mekkora a szöveg hossza, hány hivatkozást tartalmaz, és mennyi időt szeretne a gépi fordítás utólagos rendbetételére fordítani. A megoldás egy döntési mátrix, nem egy rangsorlista.
Mind a négy eszközt bevettük, és egy rögzített, 32 akadémiai szövegrészletből álló csomagot adtunk nekik (a szerkesztőségi backlogunkból): ebből 8-8-at kínai-angol, spanyol-angol, japán-angol és arab-angol irányban, különböző tudományterületekről (biomedicina, informatika, társadalomtudományok, bölcsészettudományok). Minden szövegben legalább három szövegen belüli hivatkozásnak kellett lennie, egy statisztikai kifejezésnek, valamint egy olyan szakterületi terminusnak, amelyet egy területi szakértő ellenőrizni tud. Minden fordítást hét szempont mentén értékeltünk, és három PhD-s szintű társszakértőt kértünk fel (egy klinikai farmakológust, egy informatikust és egy irodalomtudóst), akik 1–5-ös skálán pontozták az angol szöveg megfelelőségét úgy, hogy nem tudták, melyik rendszer készítette a fordítást.
Ez a bejegyzés az eredmény. Bemutatjuk a négy versenyzőt és az általunk tesztelt verziókat, a tesztelési módszert, a teljes összehasonlító táblázatot, eszközönként egy-egy mélyebb, egy szekciós elemzést a strengths-ekkel és a failure mode-okkal, valamint egy döntési mátrixot arról, hogyan válassza ki a megfelelő eszközt adott nyelvpár és dokumentumtípus esetén. A fő tanulság: 2026-ban nincs egyetlen „legjobb” eszköz az akadémiai fordításhoz, de létezik a legjobb munkafolyamat.
DeepL vs GPT-4 akadémiai fordítás: melyik AI-eszköz nyer 2026-ban?
Nincs egyetlen legjobb eszköz. A DeepL nyer a hivatkozások megőrzésében és az európai nyelvpárok esetében; a ChatGPT (GPT-5, a GPT-4 utódja) a rövid szövegrészletek tudományos regiszterénél teljesít jobban; a Gemini 3 Pro a hosszú kontextusú koherenciában és a nyelvpárok lefedettségében a legerősebb; a Claude Sonnet pedig a legmagasabb publikálhatósági pontszámot kapja a PhD-s lektoros tesztünkben. Egy felső kategóriás folyóiratnak szánt teljes kéziratnál a kétszakaszos munkafolyamat (fordítás az egyik eszközzel, majd a regiszter javítása egy másikkal, végül lektorálás) jobb minden egylépcsős megközelítésnél.
A négy versenyző és amit teszteltünk
A 2026 júniusában aktuális verziókat mind az alapértelmezett beállításokkal teszteltük (nincs finomhangolás, nincs egyedi szószedet, nincs promptépítés az egysoros instrukción túl: "fordítsd ezt az akadémiai szövegrészletet angolra").
DeepL. Fordításra specializált eszközneurális modellre építve, amelyet kifejezetten fordításra terveztek (nem általános célú generálásra). Nincs márkajelenlét a fogyasztói termékben. A modell folyamatosan javul. Korábbi legerősebb hírneve az európai nyelvpárokban volt.
GPT-5. Az OpenAI jelenlegi csúcskategóriás terméke, amely 2025 végén jelent meg. A ChatGPT fogyasztói felületén és az API-n keresztül teszteltük a hosszabb dokumentumokhoz. A 128K kontextusablak elég nagy ahhoz, hogy a legtöbb folyóiratcikket egyetlen lépésben lefedje; a hosszabb írásoknál viszont darabolásra lesz szükség.
Gemini 3 Pro. A Google jelenlegi gyártási modellje, amelynek 2026 februári Deep Think kiadása matematikában gazdag területekre készült. A standard 3 Pro-t (nem a Deep Think-et) teszteltük, mert a legtöbb fordítási felhasználási eset nem igényli az extra érvelési réteget. A Gemini 2.5 Pro elődje után a WMT25 emberi értékelésen 16 nyelvpárból 14-ben nyert, ezzel kijelölve a 2026-os mércét.
Claude Sonnet. Az Anthropic jelenlegi gyártási modellje. A Sonnetet az Opusszal szemben preferáltuk, mert a sebesség–minőség arány reálisabb ahhoz, ahogyan a kutatók várhatóan használják; az Opus túlzás rendszeres fordításhoz. A 200K kontextusablak könnyedén lefedi az egész szakdolgozatokat egyetlen lépésben.
Ami még hiányzik, az nyitott kérdés marad. Nem próbáltam ki a Google Translate-et (más kategória, nagyon jól lefedve az AI-fordítóink és a Google Translate összehasonlítását bemutató bejegyzésünkben), a DeepSeek R1-et (jó kínai-angol irányban, de a teljes akadémiai fordításra a csoportunkban még nem igazán használjuk), illetve a Llama 4-et (nyílt forráskódú, működne, de a beállítási költség miatt a legtöbb ember számára nem gyakorlati választás).
Tesztmódszertan: a hét dimenzió, amely számít az akadémiai fordításnál
Az akadémiai prózához készített fordítási benchmark nem ugyanaz, mint a marketing-szövegek vagy a technikai dokumentáció értékelésére szolgáló benchmark. Ezek a dimenziók számítanak:
| Dimenzió | Mit ellenőriztünk | Miért számít |
|---|---|---|
| Jelentéshűség | Az angol ugyanazt az állítást közvetíti-e, mint a forrásszöveg? | A fordított szöveget olvasó lektor ugyanolyan következtetésekre jusson, mint a forrást olvasó. |
| Tudományos regiszter | A próza az adott szakterületen publikált akadémiai írásként hangzik-e a célterületen? | A nem megfelelő regiszter jelzi a "nem anyanyelvi szerzőt", akkor is, ha a nyelvtan helyes. |
| Technikai terminológia | A szakterület-specifikus kifejezések a megszokott angol megfelelőikkel kerülnek-e át? | A helytelen terminológia felkelti a lektor gyanúját, hogy a szerző nem ismeri a területet. |
| Hivatkozások megőrzése | A szövegen belüli hivatkozások változtatás nélkül megmaradnak-e, beleértve a formátumot és a központozást is? | Az újraformázott hivatkozások technikai-szűrési elutasításokhoz vezethetnek. Lásd: a hivatkozások megőrzéséről szóló megjegyzésünket (/blog/ai-paraphrasing-preserving-citations), hogy miért számít ez. |
| Statisztikai kifejezések kezelése | Megmarad-e a "p < 0.01", a "95% CI [0.34, 0.58]" és a hasonlók? | A statisztikai állítások sok cikkben a legnagyobb következménnyel bíró mondatok. |
| Hosszú kontextusú koherencia | A terminológia következetes marad-e egy 60 oldalas dokumentumon át? | A dolgozatok közben jelentkező „fordítási sodródás” a hibák egyik legdrágább formája. |
| Nyelvpár lefedettség | Erős a széles európai–ázsiai–arab–indiai lefedettségben? | Sok kutatónak olyan nyelvpárokban van szüksége fordításra, ahol a mainstream eszközök gyengék. |
Három PhD-s lektor 1–5 skálán értékelte az egyes kimenetek publikálhatóságát. Az összesített pontszám az alább közölt táblázatban jelzett publikálhatósági szám. Az dimenzió-specifikus pontszámok (5-ből) a szerkesztőségi ítéleteink, miután ugyanazt az értékelési rubrikot alkalmaztuk minden kimenetre.
Eredmények: a teljes összehasonlító táblázat
Átlag a 32 szövegrészlet mindegyikén, 2026 június.
| Dimenzió (5-ből) | DeepL | GPT-5 | Gemini 3 Pro | Claude Sonnet |
|---|---|---|---|---|
| Jelentéshűség | 4.4 | 4.6 | 4.7 | 4.7 |
| Tudományos regiszter | 3.8 | 4.5 | 4.4 | 4.7 |
| Technikai terminológia | 4.2 | 4.4 | 4.5 | 4.5 |
| Hivatkozások megőrzése | 4.6 | 3.9 | 4.0 | 4.3 |
| Statisztikai kifejezések | 4.5 | 4.3 | 4.4 | 4.4 |
| Hosszú kontextusú koherencia | 3.5 (kb. 5K szónál darabolás szükséges) | 4.3 | 4.6 | 4.7 |
| Nyelvpár lefedettség | 4.2 (erős EU; gyengébb ZH/JA/AR esetén) | 4.5 | 4.6 | 4.5 |
| Publikálhatóság (PhD-s értékelés) | 4.0 | 4.4 | 4.4 | 4.6 |
Három fontos dolgot érdemes kiemelni ebből a táblázatból. Az első: a publikálhatósági különbség szűkebb, mint amilyennek bármelyik szolgáltató marketingjából tűnne; még a DeepL is olyan szöveget ad, amit egy lektor minimális változtatással elfogadhatna. A második pont: a DeepL a hivatkozások terén nyer, de rosszul teljesít a tudományos regiszterben és a hosszú kontextusú koherenciában. A harmadik: a Claude Sonnet átlagosan a legmagasabb publikálhatósági pontszámot kapja, köszönhetően a tudományos regiszterben és a hosszú kontextusú koherenciában mutatott teljesítményének. Ez jól illeszkedik ahhoz a benyomásunkhoz, hogy a Claude-nak kifejezetten jól áll a finom részletekre érzékeny munka.
A dimenziónkénti történet hasznosabb, mint a fő szám. Következnek a mélyebb bontások.
DeepL: a fordításspecialista erősségei és a hiányosságok
A DeepL az egyetlen eszköz ebben a benchmarkban, amelyet kifejezetten fordításra építettek, nem pedig általános generálásra. Az ebből fakadó kompromisszum mindkét irányban látszik.
Ahol a DeepL nyer. A mi tesztünkben a hivatkozások megőrzése a legmagasabb, 4.6. A DeepL alapértelmezetten védett tokenként kezeli a zárójeles hivatkozásokat, ugyanúgy, ahogyan a számokat és a tulajdonneveket; a hivatkozás általában sértetlenül megmarad akkor is, ha a környező prózát erősen átszervezi. Az európai nyelvpárok (spanyol, francia, német, olasz, portugál, holland angolra fordítva) különösen a jelentéshűségben következetesen 0.3–0.5 ponttal magasabb értéket adnak, mint a többi eszköz. Egy spanyol nyelvű klinikai vizsgálati cikk esetén, amely angolra készül egy Elsevier-folyóirat benyújtásához, a DeepL a tesztünkben a legerősebb egylépcsős opció.
Ahol a DeepL lemarad. A tudományos regiszter (3.8) a legalacsonyabb pontszám a dimenziók között, amely a leginkább számít a leadott kéziratokat lektoráló szakemberek szemében. A DeepL helyes, folyékony angolt ad; de nem olyan angolt, amely ténylegesen „szakirodalmi képzettséggel” olvasható. A kimenet inkább hozzáértő szakfordítói fordításként hat, nem úgy, mint egy adott terület szakértője által írt dolgozat. A javítás szakterülettudatos utószerkesztéssel történik: egy olyan lektorral, aki ismeri a terület sajátosságait. A DeepL önmagában nem elég a csúcskategóriás folyóirathoz való benyújtáshoz a második kör nélkül.
A másik korlát a darabolási kényszer. A DeepL felülete jellemzően kb. 5 000 szó körül darabolja a dokumentumokat a legtöbb felhasználó számára, így egy szakdolgozatot vagy hosszabb review-t több munkamenetben kell feldolgozni. Az egyes munkamenetek között a terminológiai konzisztencia romlik; ugyanazt a terminust három különböző módon láttuk visszaadni különböző munkamenetekben ugyanazon a dokumentumon belül. A Pro API lehetővé teszi a hosszabb egylépcsős feltöltéseket, de a fogyasztói folyamat nem.
5 000 szónál rövidebb európai nyelvű cikkek esetén, erős copy-editing folyamatokkal dolgozó folyóiratoknak benyújtva, a DeepL a javaslat. Hosszabb dokumentumoknál vagy nem európai pároknál megváltozik a számítás.
Akadémiai fordítás beépített hivatkozásmegőrzéssel
A fordítónk a szerkesztés előtt kinyeri a hivatkozásokat, a statisztikai kifejezéseket és az egyenletcímkéket, majd szöveghűen visszahelyezi azokat. Válasszon 50+ nyelvpár közül. A díjmentes csomag egy teljes cikket lefed.
Próbálja ki ingyenGPT-5 (ChatGPT): hol találkozik a DeepL vs ChatGPT az akadémiai fordításban
A GPT-5 nem fordításspecialista; egy általános célú modell, amely véletlenül jól fordít is. Ennek következményei mindkét irányban megjelennek.
Ahol a GPT-5 nyer. A tudományos regiszter (4.5) érdemben magasabb, mint a DeepL-é. A modell beépítette az akadémiai angol retorikai mintáit olyan tanítóadatokból, amelyek nagyjából 2010 óta a legtöbb publikált cikket tartalmazzák. Ha egy módszertani részt kell fordítani, módszertani részként hangzó angolt ad. Ha egy vitát kell fordítani, vitaangolt ad. A regiszterváltás a benchmarkban a legerősebb, szűken Claude Sonnet mögött.
A GPT-5 a legerősebb a szakterület-specifikus terminológiákban is azokban a diszciplínákban, ahol a tanítóadatok sűrűn tartalmazzák az adott témát: gépi tanulás, klinikai orvostudomány, elméleti fizika. A modell tudja, hogy egy 2024-es ML-cikkben a "transformer" nem elektromos eszközt jelent. A félreérthetőség feloldása szinte mindig helyesen történik.
Ahol a GPT-5 lemarad. A hivatkozások megőrzése (3.9) a benchmarkban a leggyengébb pontszám. A GPT-5 a szövegen belüli hivatkozásokat nagyjából az általunk tesztelt szövegrészletek 30 százalékában narratív formába írja át ("Smith 2024-ben mutatta ki" a "(Smith, 2024)" helyett), és nagyjából 20 százalékban átalakítja az irodalomjegyzék-bejegyzéseket (a dőlt betűk kiesnek, az &-jelek egységesülnek). A hibamód ugyanaz, amely a kínzóan megfogalmazott mondatminta-sorozatoknál a paper-mill szűrők figyelnek: egy generatív kör, amely nem tudja, mi a hivatkozás, hajlamos átírni.
A mérséklés prompt-szinten történik: ha a GPT-5-et explicit módon arra utasítjuk, hogy minden szövegen belüli hivatkozást és az irodalomjegyzék formázását őrizze meg, a visszaírás aránya nagyjából 10 százalékra csökken. Ez még mindig magasabb, mint a DeepL-é, de működőképes. A prompt többlet-költség.
Gemini 3 Pro: a legjobb AI arab-angol akadémiai fordításhoz és hosszú dokumentumokhoz
A Gemini 3 Pro a legerősebb eszköz a benchmarkban a hosszú kontextusú koherenciában (4.6), és holtversenyben a nyelvpár-lefedettségben is a legerősebb (4.6). Mindkettő olyan architekturális és betanítási döntésekre vezethető vissza, amelyek kifejezetten az akadémiai fordításnál térülnek meg.
Ahol a Gemini 3 nyer. Az a dimenzió, amely a leghatározottabban számít a szakdolgozatoknál, könyveknél és hosszú review cikkeknél, a hosszú kontextusú koherencia (4.6). Egy 38 000 szavas PhD-szakdolgozat fejezetét úgy teszteltük, hogy azt egyetlen Gemini 3-lépésben fordítottuk le. Ez adja a legerősebb terminológiai konzisztenciát az összes általunk tesztelt eszköz közül 1. oldaltól 90. oldalig. A darabolás (DeepL) és a munkamemória-problémák (GPT-5 nagyobb dokumentumoknál, kb. 20 000 szó felett) mind lényegesen kisebbek.
A nyelvpár-lefedettség olyan kevésbé gyakori párokat is tartalmaz, amelyeket teszteltünk. Különösen az arab-angol páron kapott a Gemini 3 jelentéshűségre (meaning fidelity) 4.7-es pontszámot, amely a benchmarkban a legjobb ennél a párosításnál. Ezt a párost használta a Gemini 2.5 a WMT25 emberi értékelésen elért győztes teljesítményében (16 párosításból 14).
Ahol a Gemini 3 lemarad. A hivatkozások megőrzése (4.0) kicsit jobb, mint a GPT-5-é, de jelentősen alacsonyabb, mint a DeepL-é. Ugyanaz a generatív kör jellegű probléma, ugyanaz a mérséklés (explicit prompt-szintű utasítás). A tudományos regiszter (4.4) alig marad el mind a GPT-5, mind Claude értékétől. Néha próbál valamivel jobban úgy hangzani, mint a publikált akadémiai angol, mint amit ténylegesen nyújt, ezért nagyon kompetens, de nem teljesen anyanyelvi-akadémiai olvasatú.
A Deep Think variáns (2026 februári kiadás) különösen érdemes kipróbálni matematikában gazdag területeken. A tesztünkben nem szerepelt fizika vagy matematikában gazdag részlet. A reasoning réteg javulása változtathat ezeknek a dimenzióknak a pontszámain azoknál a párosításoknál is. Akkor térünk vissza rá, amikor lesz elég esetünk a tiszta összehasonláshoz.
Claude Sonnet: a legmagasabb átlagos publikálhatóság
A Claude Sonnet adja a legmagasabb összpontszámot a publikálhatóságban (4.6), köszönhetően magas tudományos regiszterének (4.7) és a hosszú kontextusú koherenciának (4.7). Azok az elemek nyernek, amelyek a publikált kéziratok beadásánál számítanak, és amelyekben Claude kiemelkedik.
Ahol a Claude nyer. A tudományos regiszter (4.7) a legmagasabb a benchmarkban. A modell által generált próza úgy olvasható, mintha azt egy adott terület szakértője írta volna, nem pedig mintha fordítás lenne. Ugyanarra a részletre figyeltem fel: ahol a DeepL a "The results indicate" kifejezést generálta, ahol a GPT-5 a "The findings suggest"-et adta, ott a Claude a "These data support the inference that." mondatot generálta. Ez az a tónus, amit egy folyóiratlektor vár, és prompt-tuning nélkül, természetesen jött.
A hosszú kontextusú koherencia (4.7) holtversenyben első a Gemini 3 Pro-val, a 200K kontextusablak pedig kényelmesen lefedi az egész szakdolgozatokat. A hivatkozások megőrzése (4.3) a legjobb az LLM-alapú eszközök közül (még mindig a DeepL 4.6-ja mögött van, de a GPT-5-nél és a Gemininél jelentősen jobb). Claude kevésbé agresszívan változtatja a zárójeles hivatkozásokat, mint a többi generatív modell.
Ahol a Claude lemarad. A gyorsan változó területeken a technikai terminológia lemaradhat a szakirodalom abszolút aktuális állapotától. A tanításnak van levágási pontja (cutoff), ezért néha olyan kifejezéseket fordít a modell, amelyek a cutoff után váltak standarddá, de ő még a régi terminust használja. Lektoráláskor ezt könnyen lehetne javítani, de hozzáad egy ellenőrzési lépést. A klinikai farmakológus lektorunk két példát is kiemelt erre a betegséggel kapcsolatos orvosi részletekben. Nem kritikus, de érdemes jelezni az aktívan fejlődő alküldiszterületeken végzett fordításoknál.
A másik tényező a sebesség. A Sonnet gyors a rendszeres fordításokhoz, de az Opus észrevehetően lassabb a hosszabb dokumentumoknál. Ez minőség szempontjából nem annyira számít, de ha valaki kapkodva kell elkészítsen egy 60 000 szavas szakdolgozatot, akkor az is releváns a gyakorlati munkafolyamat szempontjából, hogy a Sonnet gyorsabb, mint az Opus.
A döntési mátrix: melyik eszköz melyik feladathoz
A hét dimenziós táblázat a bemeneti pont. Az alábbi döntési mátrix az, amit valójában használunk a kiválasztáshoz adott esetben.
| Felhasználási eset | Javasolt eszköz | Miért |
|---|---|---|
| Spanyol, francia, német, olasz, portugál vagy holland cikk 5 000 szó alatt egy mid-tier Elsevier folyóiratnak | DeepL + könnyű szerkesztés | Legjobb hivatkozásmegőrzés, legjobb európai nyelvpáros hűség, gyors |
| Kínai, japán vagy koreai cikk bármilyen hosszban, top-tier folyóirathoz | Claude Sonnet | Legjobb tudományos regiszter + hosszú kontextusú koherencia; erős a kelet-ázsiai párokban |
| Arab, hindi vagy indiai nyelvű cikk | Gemini 3 Pro | A legerősebb nyelvpár-lefedettség ezeknél a specifikus pároknál a WMT25-ös leszármazási vonalban |
| Szakdolgozat vagy könyvhosszú dokumentum (25 000 szó felett) | Claude Sonnet vagy Gemini 3 Pro | A hosszú kontextusú koherencia elkerüli a chunkok közti terminológiai sodródást |
| Hivatkozás-centrikus módszertani szakasz, bármilyen nyelvpár | DeepL első kör + Claude Sonnet második kör | Rétegezze a hivatkozás-megőrző fordítást a regiszterjavító újraírással |
| Matematikai vagy fizikában gazdag cikk | Gemini 3 Pro (Deep Think variáns) | A reasoning-réteg fejlesztése számít a képletekkel teli fordításnál |
| Költségérzékeny, draft minőségű fordítás | GPT-5 ingyenes ChatGPT-n keresztül | Legalacsonyabb belépési küszöb; elfogadható minőség az első vázlatokhoz, amelyeket aztán erősen szerkesztenek |
A mátrix mintázata: nincs egyetlen eszköz, amely minden más fölé kerekedik, és egy komoly leadáshoz szinte mindig a kétszakaszos munkafolyamat a legjobb. Fordítás egy eszközzel, regiszterjavítás egy másikkal, majd lektorálás beadás előtt. A lektorálási lépéshez kapcsolódóan a proofreading research papers című posztunk bemutatja azt a munkafolyamatot, amely jól illeszkedik bármelyik ilyen fordítóeszközhöz.
Az általunk fejlesztett saját akadémiai fordítót úgy terveztük meg, hogy kezelje azt a hivatkozás-megőrzési problémát, amelyet a DeepL jól megold, és azt a tudományos regiszter-javítást, amelyben a Claude a legerősebb, mindezt egyetlen körben, a darabolási kényszer nélkül. A belső benchmarkunkat külön publikáljuk, és azt javasoljuk, hogy az 5 perces hivatkozás-megőrzési tesztet bármely eszközön (akár a miénken is) futtassák le, mielőtt bíznának benne egy kéziratot. A fenti benchmark nem tartalmazza a saját eszközünket, mert ez nyilvánvaló összeférhetetlenségű lenne.
Gyakran ismételt kérdések
K: Melyik AI-fordító a legjobb akadémiai dolgozatokhoz 2026-ban?
Nincs egyetlen legjobb eszköz. A DeepL nyer a hivatkozások megőrzésében és az európai nyelvpárok esetében; a GPT-5 a rövid szövegrészletek tudományos regiszterénél teljesít jobban; a Gemini 3 Pro nyer a hosszú kontextusú koherenciában és a nyelvpár-lefedettségben; a Claude Sonnet nyer a teljes dokumentumos leadásoknál a tudományos regiszter tekintetében, és a PhD-s lektoros tesztünkben a legmagasabb publikálhatósági pontszámot adja. Egy teljes kézirat esetén, amelyet egy top-tier folyóiratnak ad be az ember, a kétszakaszos munkafolyamat (fordítás egy eszközzel, regiszterjavítás egy másikkal) felülmúlja bármelyik egylépcsős megközelítést.
K: A DeepL képes kínai-angol akadémiai fordításra?
A DeepL 2023 óta javult kínai-angol irányban, de a tesztünkben továbbra is lemarad a Claude Sonnet és a Gemini 3 Pro mögött ezen a páron. A különbség a legnagyobb a bölcsészeti és társadalomtudományos részleteknél, ahol a kínai akadémiai konvenciók szóhasználata rosszul fordul át a DeepL neurális architektúráján keresztül. A DeepL elfogadható első körként a kínai-angol műszaki és biomedicina fordítás szerkesztéséhez. A Claude Sonnet a erősebb választás teljes kézirat fordításához.
K: Ezek az eszközök megőrzik a LaTeX-egyenleteket és az ábrahivatkozásokat?
Változó. A DeepL a tesztünkben a legjobban kezeli a beágyazott LaTeX-et, mert a matematikai jelölést védett tokenként kezeli. A GPT-5, a Gemini 3 és a Claude mind néha átírja az egyenletcímkéket prózává (a "Equation 3" a "the third equation" lesz), vagy megszakítja a beágyazott matematikát. LaTeX-ben gazdag dokumentumok esetén az ajánlott munkafolyamat: a képletek kinyerése fordítás előtt, a próza lefordítása, majd a visszaillesztés. A fordítónk ezt automatikusan kezeli bármely forrásdokumentumnál.
K: Mennyi időbe telik egy teljes kutatási cikk lefordítása ezekkel az eszközökkel?
Egy tipikus, 6 000 szavas cikk fordítási ideje bármelyik négy eszközzel nagyjából 2–5 perc, plusz 30 perc–2 óra a véleményezéshez és az utófordításos szerkesztéshez, a nyelvpártól és a célfolyóirattól függően. A fordítási lépésben a DeepL a leggyorsabb; a Claude a leglassabb a hosszú dokumentumoknál (ez a hosszú kontextusú koherenciáért cserébe járó kompromisszum). Az összes eszköznél a szűk keresztmetszet az emberi lektorálás, nem a modell következtetése (inference).
K: Ezeket az eszközöket használjam inkább, mint egy profi fordítót?
Ez a tét nagyságától függ. A Nature, Science, Cell vagy egy top-öt klinikai folyóirat beadásai esetén a profi, humán fordítás (vagy humán szerkesztés az AI-fordításon felül) még mindig megéri a költségét különösen a bevezetés és a vita részeknél. Közepes kategóriájú folyóiratoknál, regionális lapoknál és a legtöbb konferenciaanyag esetén az AI-fordítás kétszakaszos munkafolyamat mellett és a végső lektorálás publikálásra elfogadható, és nagyságrendekkel olcsóbb. A tesztünkben a kétszakaszos AI-munkafolyamat publikálhatóságra nagyjából 4.3–4.6 pontot kap, míg a profi humán fordítás jellemzően 4.6–4.9 pontot. A különbség valós, de kisebb, mint ahogyan a legtöbb kutató feltételezi.
50+ nyelvpár. Hivatkozáskinyerés a szerkesztés előtt, szöveghű visszahelyezés utána. Tudományos regiszter, szakasztípusonként hangolva.
Lisa rendelkezik PhD nyelvészeti diplomával a NYU-től, és mindig is kíváncsi volt arra, hogy a számítógépek hogyan tudják az alkalmazott nyelvészetet kihasználni az emberi nyelv megértéséhez és kommunikációjához, valamint az emberi írott tartalom szerkesztéséhez. Jelenleg a ProofreaderPro marketing igazgatója, ahol marketinget vezet a másolaton, a közösségi médián, az e-mailen és az offline csatornákon keresztül.
