DeepL vs GPT-5 vs Gemini 3 vs Claude (Test academic 2026)
DeepL vs GPT-4 traducere academică, acum cu GPT-5 (succesorul lui GPT-4), plus Gemini 3 și Claude Sonnet, evaluate de recenzenți la nivel de doctorat. Vedeți care iese învingător pentru lucrarea dumneavoastră.
Punem această întrebare foarte des cercetătorilor care vor să-și traducă cercetarea în limba engleză. Dar ne-o adresează în cinci limbi: „Ce traducător AI ar trebui să folosesc pentru articolul meu academic?” Majoritatea comparațiilor existente DeepL vs GPT-4 privind traducerea academică sunt deja învechite, deoarece GPT-5 este modelul care l-a înlocuit pe GPT-4 și este, în prezent, vedeta pe care am făcut-o de benchmark aici. Din păcate, răspunsul simplu, la mijlocul lui 2026, este că nu există un singur răspuns. Cei patru mari motori de traducere (DeepL, GPT-5, Gemini 3 și Claude Sonnet) excelează în lucruri diferite și are sens să fie folosiți în funcție de nevoi. Decizia depinde de combinația lingvistică, de lungimea textului, de câte citări aveți și de cât timp doriți să petreceți pentru a corecta versiunea tradusă automat. Răspunsul este o matrice de decizie, nu o listă pe niveluri.
Am luat toate cele patru instrumente și le-am alimentat cu un set fix de 32 de pasaje academice din backlogul nostru editorial, incluzând câte 8 din chineză în engleză, spaniolă în engleză, japoneză în engleză și arabă în engleză, într-o varietate de domenii (biomedicină, informatică, științe sociale, științe umaniste). Fiecare text trebuia să aibă cel puțin trei citări în text, o expresie statistică și un termen specific domeniului pe care un expert din domeniu îl putea verifica. Am evaluat fiecare traducere pe șapte axe și am recrutat trei recenzenți de nivel PhD (un farmacolog clinician, un informatician și un cercetător în literatură) pentru a nota „cât de gata de publicare este” fiecare versiune pe o scară de la 1 la 5, fără să știe din ce sistem provenea traducerea.
Acest articol este rezultatul. Acoperim cei patru competitori și versiunile testate, metoda de testare, tabelul principal de comparație, un „deep dive” pe secțiuni pentru fiecare instrument (cu puncte forte și moduri de eșec) și o matrice de decizie pentru alegerea instrumentului potrivit pentru o anumită pereche de limbi și un anumit tip de document. Concluzia de titlu: nu există un singur cel mai bun instrument pentru traducerea academică în 2026, dar există o „cea mai bună” strategie de lucru.
DeepL vs GPT-4 traducere academică: care instrument AI câștigă în 2026?
Nu există un singur instrument cel mai bun. DeepL câștigă la păstrarea citărilor și la perechile de limbi europene, ChatGPT (GPT-5, succesorul lui GPT-4) câștigă la registrul științific pentru pasaje scurte, Gemini 3 Pro câștigă la coerența pe context lung și la acoperirea perechilor de limbi, iar Claude Sonnet obține cel mai mare scor de publicabilitate în testul nostru cu recenzenți PhD. Pentru un manuscris complet direcționat către un jurnal de top, un flux în două etape (traducere cu un instrument, îmbunătățire a registrului cu altul, apoi corectură) bate orice abordare dintr-o singură etapă.
Cei patru competitori și ce am testat
Versiunile disponibile la momentul iunie 2026 au fost testate în setările lor implicite (fără fine-tuning, fără glosare personalizate, fără „prompt engineering” dincolo de o instrucțiune de o singură linie: „translate this academic passage into English”).
DeepL. Instrument specialist de traducere, bazat pe un model neural proiectat special pentru traducere (spre deosebire de generarea de uz general). Nicio promovare în produsul pentru consumatori. Modelul se îmbunătățește constant. Cea mai solidă reputație anterioară pe perechi de limbi europene.
GPT-5. Vedeta actuală a OpenAI, lansată la sfârșitul lui 2025. Testată prin interfața de consum ChatGPT și prin API pentru documente mai lungi. Fereastra de context de 128K este suficient de mare pentru a acoperi majoritatea articolelor de dimensiune de jurnal într-o singură trecere; lucrările mai lungi vor necesita „chunking”.
Gemini 3 Pro. Modelul de producție actual al Google, cu lansarea Deep Think din februarie 2026 pentru domeniile care implică matematica. A fost testat standardul 3 Pro (nu Deep Think), deoarece majoritatea scenariilor de utilizare în traducere nu au nevoie de stratul suplimentar de raționament. A câștigat evaluarea umană WMT25 în 14/16 perechi de limbi (predecesorul Gemini 2.5 Pro), stabilind pragul pentru 2026.
Claude Sonnet. Modelul de producție actual al Anthropic. Sonnet a fost preferat în locul lui Opus, deoarece raportul viteză-calitate este mai realist pentru modul în care cercetătorii tind să le folosească; Opus este exagerat pentru traducerea obișnuită. Fereastra de context de 200K acoperă comod tezele întregi într-o singură trecere.
Ceea ce lipsește rămâne o întrebare deschisă. Nu am încercat Google Translate (clasă diferită, foarte bine acoperită în articolul nostru despre AI translators vs Google Translate), DeepSeek R1 (bun la chineză în engleză, dar încă nu este folosit cu adevărat pentru traducere academică completă în grupul nostru) sau Llama 4 (care este open source și ar funcționa, dar costul de configurare face din el o opțiune nepractică pentru majoritatea oamenilor).
Metodologia testului: cele șapte dimensiuni care contează pentru traducerea academică
Un benchmark pentru proză academică nu este același lucru cu un benchmark pentru texte de marketing sau documentație tehnică. Dimensiunile care contează:
| Dimensiune | Ce am verificat | De ce contează |
|---|---|---|
| Fidelitate semantică | Textul în engleză transmite aceeași aserțiune ca sursa? | Un recenzent care citește textul tradus ar trebui să ajungă la aceleași concluzii ca un cititor al textului original. |
| Registr științific | Proza sună ca o scriere academică publicată în domeniul țintă? | Un registru nepotrivit semnalează „autor non-nativ”, chiar și atunci când gramatica este corectă. |
| Terminologie tehnică | Termenii specifici domeniului sunt redați cu echivalentele lor convenționale în engleză? | O terminologie greșită declanșează suspiciunea recenzorului că autorul nu cunoaște domeniul. |
| Păstrarea citărilor | Citările în text supraviețuiesc intacte, inclusiv formatul și punctuația? | Citările reformulate creează respingeri tehnice pe criteriul „screening”. Consultați nota noastră despre păstrarea citărilor (/blog/ai-paraphrasing-preserving-citations) pentru motivul pentru care acest lucru contează. |
| Gestionarea expresiilor statistice | „p < 0.01”, „95% CI [0.34, 0.58]” și similare se păstrează? | Afirmațiile statistice sunt cele mai consecvente propoziții din multe articole. |
| Coerență pe context lung | Terminologia rămâne consecventă pe un document de 60 de pagini? | Deriva de traducere pe parcursul unei teze este cea mai scumpă formă de eroare. |
| Acoperire perechi de limbi | Puternică pe răspândirea europeană–asiatică–arabă–indic? | Mulți cercetători au nevoie de traducere în perechi unde instrumentele mainstream sunt slabe. |
Trei recenzenți PhD au evaluat publicabilitatea fiecărei ieșiri pe o scară de la 1 la 5. Scorul agregat este numărul de publicabilitate raportat în tabelul de mai jos. Scorurile pe dimensiuni (din 5) sunt judecățile noastre editoriale, după ce am aplicat aceeași rubrică fiecărei ieșiri.
Rezultate: tabelul principal de comparație
Media pentru toate cele 32 de pasaje, iunie 2026.
| Dimensiune (din 5) | DeepL | GPT-5 | Gemini 3 Pro | Claude Sonnet |
|---|---|---|---|---|
| Fidelitate semantică | 4.4 | 4.6 | 4.7 | 4.7 |
| Registr științific | 3.8 | 4.5 | 4.4 | 4.7 |
| Terminologie tehnică | 4.2 | 4.4 | 4.5 | 4.5 |
| Păstrarea citărilor | 4.6 | 3.9 | 4.0 | 4.3 |
| Expresii statistice | 4.5 | 4.3 | 4.4 | 4.4 |
| Coerență pe context lung | 3.5 (chunking necesar la ~5K cuvinte) | 4.3 | 4.6 | 4.7 |
| Acoperire perechi de limbi | 4.2 (puternic EU; mai slab pe ZH/JA/AR) | 4.5 | 4.6 | 4.5 |
| Publicabilitate (evaluată de PhD) | 4.0 | 4.4 | 4.4 | 4.6 |
Există trei aspecte importante pe care trebuie să le rețineți din acest tabel. Primul este că diferența de publicabilitate este mai mică decât sugerează orice discurs de marketing al oricărui furnizor; chiar și DeepL produce text pe care un recenzent ar fi dispus să-l accepte cu modificări minime. Al doilea punct este că DeepL câștigă la citări, dar pierde clar la registrul științific și la coerența pe context lung. Al treilea punct: Claude Sonnet are cel mai mare scor de publicabilitate în medie, datorită performanței sale la registrul științific și la coerența pe context lung. Acest lucru se potrivește bine cu intuiția noastră că Claude este cel mai bun în lucrări încărcate de nuanțe.
Povestea pe dimensiuni este mai utilă decât cifra de titlu. „Deep dives” mai jos.
DeepL: punctele forte ale traducătorului specialist și unde rămâne în urmă
DeepL este singurul instrument din acest benchmark construit special pentru traducere, nu pentru generare de uz general. Echilibrul (trade-off-ul) se vede în ambele direcții.
Unde câștigă DeepL. Păstrarea citărilor este cea mai ridicată în testul nostru, cu 4.6. DeepL tratează citările parantetice ca tokeni protejați în mod implicit, la fel cum tratează numerele și numele proprii; citarea supraviețuiește de obicei intactă chiar și atunci când proza din jur este reconfigurată puternic. Perechile de limbi europene (spaniolă, franceză, germană, italiană, portugheză, olandeză în engleză) obțin consecvent cu 0.3–0.5 puncte mai mult decât celelalte instrumente la fidelitate semantică pentru aceste perechi, în special. Pentru un articol de trial clinic în spaniolă, tradus în engleză pentru o depunere la un jurnal Elsevier, DeepL este cea mai solidă opțiune de „single-pass” din testul nostru.
Unde rămâne DeepL în urmă. Registrul științific, cu 3.8, este cel mai mic scor pe dimensiunea care contează cel mai mult pentru recenzenții manuscriselor finalizate. DeepL produce engleză corectă și fluentă; nu produce engleză care să pară scrisă de cineva format în domeniu. Textul se citește mai degrabă ca o traducere profesională competentă decât ca un articol scris de un expert din domeniu. Remediul este editarea post-traducere printr-un corector orientat pe domeniu. DeepL singur nu este suficient pentru depunerea la un jurnal de top, fără a doua trecere.
Cealaltă limită este constrângerea de „chunking”. Interfața DeepL fragmentează documentele la aproximativ 5,000 de cuvinte pentru majoritatea utilizatorilor, forțând o teză sau o recenzie lungă să fie împărțită în mai multe sesiuni. Coerența terminologică între sesiuni suferă; am văzut același termen tradus în trei moduri diferite în sesiuni diferite ale aceluiași document. Pro API permite upload-uri mai lungi într-o singură trecere, dar fluxul pentru consumatori nu.
Pentru articole în limbi europene sub 5,000 de cuvinte depuse la jurnale cu fluxuri puternice de copy-editing, DeepL este recomandarea. Pentru documente mai lungi sau perechi non-europene, calculele se schimbă.
Traducere academică cu păstrare integrată a citărilor
Traducătorul nostru extrage citările, expresiile statistice și etichetele ecuațiilor înainte de rescriere, apoi le reintroduce identic. Alegeți din peste 50 de perechi de limbi. Planul gratuit acoperă o lucrare completă.
Încercați gratuitGPT-5 (ChatGPT): unde se poziționează DeepL vs ChatGPT pentru traducere academică
GPT-5 nu este un specialist în traducere; este un model de uz general care, întâmplător, traduce bine. Implicațiile merg în ambele direcții.
Unde câștigă GPT-5. Registrul științific, cu 4.5, este semnificativ mai mare decât la DeepL. A internalizat tiparele retorice ale englezei academice din datele de antrenare care includ majoritatea articolelor publicate aproximativ din 2010. Dacă i se cere să traducă o secțiune de metode, produce engleză pentru secțiunea de metode. Dacă i se cere să traducă o discuție, produce engleză pentru secțiunea de discuție. Schimbarea de registru este cea mai puternică dintre orice instrument din benchmark, ușor sub Claude Sonnet.
GPT-5 este, de asemenea, cel mai bun la terminologia specifică domeniului în discipline unde datele de antrenare sunt dense: machine learning, medicină clinică, fizică teoretică. Modelul știe că „transformer” într-un articol ML din 2024 nu înseamnă dispozitivul electric. Dezambiguizarea are loc corect aproape întotdeauna.
Unde rămâne GPT-5 în urmă. Păstrarea citărilor, cu 3.9, este cel mai slab scor din benchmark. GPT-5 rescrie citările în text în formă narativă („Smith showed in 2024” în loc de „(Smith, 2024)”) în aproximativ 30% din pasajele testate, și reformatează intrările din lista de referințe (fără italic, ampersand-uri normalizate) în aproximativ 20%. Modul de eșec este același care determină tiparele de fraze forțate paper-mill screeners flag: o trecere generativă care nu știe ce este o citare va tinde să o rescrie.
Mitigarea este la nivel de prompt: instruindu-l explicit pe GPT-5 să păstreze toate citările în text și formatarea listei de referințe, rata de rescriere scade la aproximativ 10%. Totuși, rămâne mai mare decât la DeepL, dar este funcțională. Suprasarcina de prompt este costul.
Gemini 3 Pro: cel mai bun AI pentru traducere academică arabă-în-engleză și pentru documente lungi
Gemini 3 Pro este cel mai puternic instrument din benchmark la coerența pe context lung (4.6) și este la egalitate pentru cea mai puternică acoperire a perechilor de limbi (4.6). Ambele reflectă alegeri arhitecturale și de antrenare care se plătesc specific la traducerea academică.
Unde câștigă Gemini 3. Dimensiunea care contează cel mai mult pentru teze, cărți și articole de tip review lung este coerența pe context lung, cu 4.6. Am testat traducerea unui capitol de teză de doctorat de 38,000 de cuvinte într-o singură trecere Gemini 3. Asta oferă cea mai solidă consecvență terminologică de la pagina 1 la pagina 90 dintre toate instrumentele testate. Efectul de chunking (DeepL) și problemele de memorie de lucru (GPT-5 pentru documente mai mari de aproximativ 20,000 de cuvinte) sunt mult mai mici.
Acoperirea perechilor de limbi include și perechi mai puțin frecvente pe care le-am testat. Arabă-în-engleză a obținut în special 4.7 la fidelitate semantică, cel mai bun scor din benchmark pentru această pereche. Aceasta a fost perechea folosită de Gemini 2.5 în câștigul său la evaluarea umană WMT25 (14 din 16 perechi).
Unde rămâne Gemini 3 în urmă. Păstrarea citărilor, cu 4.0, este puțin mai bună decât la GPT-5, dar semnificativ mai mică decât la DeepL. Aceeași problemă de trecere generativă, aceeași mitigare (instrucțiune explicită la nivel de prompt). Registrul științific, cu 4.4, este puțin sub atât GPT-5, cât și Claude, abia. Uneori încearcă să sune puțin mai mult ca o engleză academică publicată decât o face efectiv, astfel încât rezultă o versiune foarte competentă, dar nu chiar „native-academic”.
Varianta Deep Think (lansare februarie 2026) merită încercată, mai ales pentru disciplinele cu multă matematică. Nu am inclus în test pasaje din fizică sau pasaje cu greutate mare pe matematică. Îmbunătățirea stratului de raționament ar putea schimba scorurile pe aceste dimensiuni pentru perechile respective. Vom reveni când vom avea suficiente cazuri ca să testăm curat.
Claude Sonnet: cea mai mare publicabilitate în medie
Claude Sonnet are cel mai mare scor general la publicabilitate (4.6), datorită registrului științific ridicat (4.7) și coerenței pe context lung (4.7). Elementele care „câștigă” pentru depuneri de manuscrise publicate sunt exact cele în care Claude excelează.
Unde câștigă Claude. Registrul științific, cu 4.7, este cel mai ridicat din benchmark. Proza generată de model se citește ca un articol scris de un expert din domeniu, nu ca o traducere. Am văzut același pasaj în care DeepL a generat „The results indicate”, GPT-5 a generat „The findings suggest”, iar Claude a generat „These data support the inference that.” Acesta este tonul pe care îl va aștepta un recenzent de jurnal și a apărut natural, fără „prompt engineering”.
Coerența pe context lung, cu 4.7, este la egalitate pe primul loc cu Gemini 3 Pro, iar fereastra de context de 200K acoperă comod teze întregi. Păstrarea citărilor, cu 4.3, este cea mai bună dintre instrumentele bazate pe LLM (încă în urma 4.6 a lui DeepL, dar semnificativ mai bună decât la GPT-5 sau Gemini). Claude modifică mai puțin agresiv referințele parantetice decât celelalte modele generative.
Unde rămâne Claude în urmă. Terminologia tehnică în domenii care evoluează rapid poate rămâne în urmă față de stadiul absolut actual al literaturii. Antrenarea are un punct de oprire, așa că uneori modelul va traduce termeni care au devenit standard după punctul de oprire folosind termenul vechi. În probă, acest lucru s-ar corecta ușor, dar adaugă o etapă de verificare. Recenzentul nostru farmacolog clinician a semnalat două exemple în pasaje medicale. Nu e un „deal-breaker”, dar merită semnalat pentru traducerile din subdomenii active.
Un alt lucru este viteza. Sonnet este rapid pentru traducerea obișnuită, dar Opus este vizibil mai lent pentru documente mai lungi. În ceea ce privește calitatea, nu contează prea mult, dar dacă traduceți o teză de 60,000 de cuvinte pe fugă, faptul că Sonnet este mai rapid decât Opus devine relevant pentru fluxul practic de lucru.
Matricea de decizie: ce instrument pentru ce sarcină
Tabelul pe cele șapte dimensiuni este intrarea. Matricea de decizie de mai jos este ceea ce folosim efectiv pentru a alege un instrument într-un anumit caz.
| Scenariu de utilizare | Instrument recomandat | De ce |
|---|---|---|
| Lucrare în spaniolă, franceză, germană, italiană, portugheză sau olandeză sub 5,000 de cuvinte pentru un jurnal Elsevier de nivel mediu | DeepL + editare ușoară | Păstrarea citărilor este cea mai bună, fidelitatea pe perechi europene este cea mai bună, rapid |
| Lucrare în chineză, japoneză sau coreeană, indiferent de lungime, pentru un jurnal de top | Claude Sonnet | Cel mai bun registru științific + coerență pe context lung; puternic pe perechile din Asia de Est |
| Lucrare în arabă, hindi sau limbi indic | Gemini 3 Pro | Cea mai puternică acoperire a perechilor de limbi pentru aceste perechi specifice în linia WMT25 |
| Teză sau document de lungime de carte (peste 25,000 de cuvinte) | Claude Sonnet sau Gemini 3 Pro | Coerența pe context lung evită deriva terminologică între „chunk-uri” |
| Secțiune metodologică cu multe citări, orice pereche de limbi | DeepL prima trecere + Claude Sonnet a doua trecere | Combinați traducerea care păstrează citările cu rescrierea care îmbunătățește registrul |
| Lucrare cu multă matematică sau fizică | Gemini 3 Pro (varianta Deep Think) | Îmbunătățirea stratului de raționament contează pentru traducerea cu multe ecuații |
| Traducere sensibilă la costuri, calitate de draft | GPT-5 prin ChatGPT gratuit | Prag de intrare cel mai scăzut; calitate acceptabilă pentru drafturi care vor fi editate intens |
Modelul din matrice: niciun instrument nu domină singur, iar cea mai bună strategie de lucru pentru o depunere serioasă este aproape întotdeauna în două etape. Traducere cu un instrument, îmbunătățire de registru cu altul, apoi corectură înainte de depunere. Pentru etapa de corectură, articolul nostru despre proofreading research papers acoperă fluxul de lucru care se potrivește bine cu oricare dintre aceste instrumente de traducere.
Am construit propriul nostru traducător academic pentru a gestiona problema păstrării citărilor pe care DeepL o rezolvă și registrul științific pe care Claude îl câștigă, într-o singură trecere, fără constrângerea de chunking. Publicăm benchmarkul nostru intern separat și recomandăm să rulați testul de 5 minute pentru păstrarea citărilor pe orice instrument, inclusiv pe al nostru, înainte să aveți încredere cu un manuscris. Benchmarkul de mai sus nu include instrumentul nostru, deoarece ar fi o intrare evidentă cu conflict de interese.
Întrebări frecvente
Î: Care traducător AI este cel mai bun pentru articole academice în 2026?
Nu există un singur instrument cel mai bun. DeepL câștigă la păstrarea citărilor și la perechile de limbi europene; GPT-5 câștigă la registrul științific pentru pasaje scurte; Gemini 3 Pro câștigă la coerența pe context lung și la acoperirea perechilor de limbi; Claude Sonnet câștigă la registrul științific pentru depuneri pe document complet și obține cel mai mare scor de publicabilitate în testul nostru cu recenzenți PhD. Pentru un manuscris complet direcționat către un jurnal de top, un flux în două etape (traducere cu un instrument, îmbunătățire de registru cu altul) depășește orice abordare dintr-o singură etapă.
Î: Poate DeepL gestiona traducerea academică chineză-în-engleză?
DeepL s-a îmbunătățit la chineză-în-engleză față de 2023, dar tot rămâne sub Claude Sonnet și Gemini 3 Pro la această pereche în testul nostru. Diferența este cea mai mare pentru pasaje din zona științelor umaniste și a științelor sociale, unde convențiile academice idiomatice din chineză se traduc slab prin arhitectura neurală a lui DeepL. DeepL este acceptabil ca primă trecere, cu editare pentru traducerea tehnică și biomedicină chineză-în-engleză. Claude Sonnet este alegerea mai puternică pentru traducerea unui manuscris complet.
Î: Aceste instrumente păstrează ecuațiile LaTeX și referințele la figuri?
Variabil. DeepL gestionează cel mai bine LaTeX inline în testul nostru deoarece tratează notația matematică ca tokeni protejați. GPT-5, Gemini 3 și Claude rescriu uneori etichetele ecuațiilor în proză („Equation 3” devine „the third equation”) sau întrerup matematica inline. Pentru documente cu mult LaTeX, fluxul recomandat este să extrageți ecuațiile înainte de traducere, să traduceți proza și apoi să reinserați. Traducătorul nostru face acest lucru automat pentru orice document sursă.
Î: Cât timp durează să traduc un articol de cercetare complet cu aceste instrumente?
Un articol tipic de 6,000 de cuvinte durează aproximativ 2-5 minute pentru traducere cu oricare dintre cele patru instrumente, plus 30 de minute până la 2 ore pentru revizuire și editare post-traducere, în funcție de perechea de limbi și de jurnalul țintă. DeepL este cel mai rapid la etapa de traducere; Claude este cel mai lent pentru documente lungi (costul/compromisul pentru coerența pe context lung). „Bottleneck”-ul la toate instrumentele este etapa de revizuire umană, nu inferența modelului.
Î: Ar trebui să folosesc aceste instrumente în locul unui traducător profesionist?
Depinde de miză. Pentru o depunere la Nature, Science, Cell sau la un jurnal clinic din top-cinci, traducerea umană profesionistă (sau editarea umană peste traducerea AI) merită încă costul, în special pentru secțiunile de introducere și discuție. Pentru depuneri la jurnale de nivel mediu, jurnale regionale și majoritatea articolelor de conferință, traducerea AI cu flux în două etape și o corectură finală este acceptabilă pentru publicare și mult mai ieftină. În testul nostru, fluxul AI în două etape obține aproximativ 4.3 până la 4.6 la publicabilitate, în timp ce traducerea umană profesionistă obține de obicei 4.6 până la 4.9. Diferența este reală, dar mai mică decât își asumă majoritatea cercetătorilor.
Peste 50 de perechi de limbi. Extrageți citările înainte de rescriere, reintroduceți identic după aceea. Registru academic ajustat pentru tipul fiecărei secțiuni.
Lisa deține un PhD în lingvistică de la NYU și a fost întotdeauna curioasă despre modul în care computerele pot folosi lingvistica aplicată pentru a înțelege și comunica în limbajul uman și pentru a ajuta la editarea conținutului scris uman. În prezent, este Chief Marketing Officer la ProofreaderPro, unde conduce marketing pe canalele de copiere, social media, e-mail și offline.
