收益：
- 能够区分自动 QA 和语言 LQA 层并以正确的顺序应用两者
- 能够使用 MQM 等错误框架根据类别和权重（关键/主要/次要）客观评估翻译
- 使用人工智能作为审计员时能够做出最终决定，了解其自身翻译的盲目性、犯错误的风险以及自动化指标的局限性
当您说翻译“完成”时，工作就完成了一半；另一半是证明该翻译实际上是可靠的。在本单元中，您将学习衡量翻译质量的系统方法：自动 QA 检查、基于人工的 LQA 错误框架、质量指标以及如何使用人工智能作为“检查员”及其局限性。目的是摆脱“我觉得好”的主观性，成为定义、衡量和证明质量的专家。
两种类型的质量控制：自动和语言
QA（质量保证）在翻译中分两层进行：
自动 QA：CAT 工具和脚本捕获的文体错误 — 数字不匹配、空格缺失/过多、术语不一致、未翻译的片段、错误的占位符/标签、双空格、标点符号。这些由机器快速、完整地扫描；它逃过了人眼，但车辆捕捉到了它。
LQA（语言质量保证）：这是人类评估者检查含义、术语、风格、语法和本地适用性的层。自动 QA“数字是否匹配？”看问题； LQA“意思是否正确、语气是否合适、文化上是否合适？”他看着问题。两者相辅相成；其中之一不能取代另一个。
提示：始终先运行自动 QA；清除形式错误可以让人类评估者将注意力集中在真正的语言问题上。担心数字错误的审稿人会错过音调错误。
错误帧：MQM 和 DQF
标准错误类型用于使质量可衡量，而不是“好/坏”。最常见的是 MQM（多维质量指标）：它将每个错误分配给一个类别（准确性、流畅性、术语、风格、位置、格式）和权重（严重、主要、次要）。另一个框架是 DQF（动态质量框架），与 MQM 一起提及。
为什么它很重要？因为有了这个框架，你可以给翻译打一个错误分数，客观地比较不同的翻译器/引擎并问“这个文本可以交付吗？”您用数字阈值回答问题。例如：严重错误 = 10 分，主要错误 = 5，次要错误 = 1；低于特定阈值的文本通过每个特定单词。
严重错误：颠倒含义、造成安全/法律风险、损害品牌的错误（剂量错误、“不负责”而不是“负责”）。主要：具有破坏性但无害。次要：明显但不减损其含义（次要样式/标点符号）。
使用人工智能作为控制器——及其局限性
AI 可以快速且有助于根据错误框架检查翻译：您可以说“使用 MQM 类别标记此翻译中的正确性、术语、流畅性错误”。它减少了您的盲点并为您提供了快速的“第二只眼睛”。
但存在三个关键限制：（1）人工智能在检查其生成的翻译时可能是盲目的——既犯了同样的错误，又确认了同样的错误；使用不同的模型进行交叉检查或返回源。 （2）AI还可以弥补幻觉的“错误”——报告不存在的错误；确认每个警告。 （3）AI可能无法完全掌握现实世界中关键错误的严重性（剂量错误可能是致命的）；专家进行加权。因此，人工智能加快了质量检查速度，但最终的质量决策和交付批准取决于人类。
注意：说“AI 已经通过了 QA，它是干净的”是一种错误的自信感。人工智能审核不能替代人类 LQA 和与源的比较；这是一个预筛选层，可以让他们加快速度。
三个迷你箱子
案例 1 — 自动 QA 发现 40 个数字错误。在财务报告翻译中，自动 QA 发现源和目标之间存在 40 个数字/格式不匹配的情况（千位分隔符、小数点、货币）。人眼会忽略其中的大部分；车辆以秒为单位列出。
案例 2 — MQM 分数决定了引擎的选择。一个局 MQM 对两个不同 MT 引擎的输出进行了 2,000 个单词的评级：引擎 A 12 个错误点，引擎 B 31 个错误点。客观测量用分数解决了“哪个更好”的争论；该局以发动机A为标准，并相应地规划了修订后的预算。
案例3——人工智能审计漏掉了自己的错误。一名译者的法学硕士翻译由同一个法学硕士监督；模特说“没问题”，这是她自己犯的一个术语错误。当译者与不同的模型和来源进行交叉检查时，发现了这个错误；团队采用了“同一个模型不应该控制自己”的规则。
四个可复制模板
1）基于MQM的错误检查：
您的角色：LQA 评估员。比较下面的来源和翻译。按以下格式提供您发现的每个错误：[类别：准确性/术语/流畅性/风格/格式][权重：关键/主要/次要][位置][评论][更正]。将您不确定的警告标记为“需要确认”；错误制造。来源：[...] |翻译：[...]
2）严重错误扫描（高风险）：
仅在以下翻译中查找严重错误：含义颠倒、数字/剂量/日期错误、否定丢失、法律义务替代、安全警告错误。忽略小的样式问题。引用每个关键发现的来源。来源：[...] |翻译：[...]
3）自动QA补充控制：
列出以下源-目标对中的形式不一致之处：数字不匹配、缺少/额外占位符或标签、术语不一致、未翻译的段、单位/货币差异。只需给出其位置的问题即可。对：[...]
4）独立的第二只眼睛（交叉检查）：
不带偏见地评估此翻译；别以为是你写的。对来源的保真度、术语和自然度进行质量评级 (1-5)，并列出前 3 个问题。由我来决定。来源：[...] |翻译：[...]
弱提示/强提示
弱者：“这个翻译好不好？” （没有标准；人工智能返回一个无用的答案，例如“一般好”。）
强：“根据来源检查此翻译。用类别（准确性/术语/流畅性）和严重性（严重/主要/次要）标记每个错误。特别关注数字、否定和术语错误。不要捏造错误；如果不确定，请标记“需要确认”。”
区别：强烈提示给出错误框和焦点；输出是一份可比较且可操作的质量报告。
质量层表
层
什么抓住了
谁/做什么
自动质量检查
数量、标签、一致性
工具/脚本
人工智能控制
可能的含义/术语错误
LLM（有确认）
人类LQA
含义、语气、文化、分量
专家评估员
MQM/DQF 分数
客观错误评分
人类与框架
交货确认
最终责任
有能力的翻译
常见错误
- 跳过自动 QA 并直接开始阅读。文体错误会分散注意力。
- 用人工 LQA 取代人工智能检查。 AI预筛选，不批准。
- 让相同的模型检查它自己的翻译。盲点；需要交叉检查。
- 不是称重错误。将关键和次要视为相同会破坏优先级。
- 在没有确认的情况下纠正人工智能所制造的“错误”。你可以歪曲正确的句子。
自动指标：BLEU、COMET 和限制
质量测量中还有一个自动化指标的世界。 BLEU（双语评估研究）将机器翻译与人类参考翻译进行比较，并根据单词重叠给出 0-100 分的分数；长期以来，它是比较 MT 系统的标准。较新的指标 COMET 基于神经网络，比 BLEU 更好地捕获语义相似性。这些指标对于快速、自动地比较两个引擎的大数据非常有价值。
但它的局限性很明显：像 BLEU 这样的指标着眼于单词重叠，而不是真正理解含义。与参考文献不同但准确的翻译可能会获得低分；与参考文献相似但不正确的翻译可能会获得高分。严重的负面错误是一个单词，因此它对指标的影响很小，但实际上是灾难性的。这就是为什么自动化指标衡量系统级别的趋势，而不是决定单个文本的交付能力。基于 MQM 的人工评估和专家判断决定翻译是否发送给客户，而不是自动评分。使用指标作为指南针，而不是法官。
总之
翻译质量不是主观感受，而是可衡量的东西。自动 QA 彻底扫描形式错误；人类 LQA 评估含义、语气和文化； MQM 等错误框架按类别和权重量化质量，从而实现客观比较。人工智能是强大的第二只眼睛，可以加速这种控制，但它可能会忽视自己的翻译，犯错误，并且无法完全掌握现实世界的重量；因此，最终的质量决定、权重和交付批准属于有能力的翻译人员。
应用任务
获取机器翻译输出。首先使用“自动 QA 补充检查”列出形式错误，然后使用“基于 MQM 的错误检查”按类别和权重列出语言错误。我用每个单词的阈值对每个错误（严重 10 个、主要 5 个、次要 1 个）进行评级，并询问“可以交付吗？”回答问题。最后，与消息来源确认人工智能标记的错误有多少是真实的，有多少是捏造的。
清单
- [ ] 我运行了自动 QA 并清除了所有形式错误。
- [ ] 我用方框标记了语言错误（类别+权重）。
- [ ] 我在单独的优先轮次中扫描了关键错误。
- [ ] 我采购了人工智能控制，并在必要时使用不同的模型进行了交叉检查。
- [ ] 我根据数字阈值和我自己的专家判断做出了交付决定。