Smartling 荣获《Forrester Wave™：2026 年第三季度本地化服务》报告“领导者”称号。
Smartling 在 Forrester Wave ™报告中被评为领导者
阅读报告

翻译记忆库如何与机器翻译和语言学习记忆库（LLM）提示协同工作？

翻译记忆库 (TM) 与机器翻译配合使用，它充当每个字符串的第一遍：高于设定阈值的匹配项将插入而不是机器翻译输出，50% 到 99.9% 之间的模糊匹配项可以由大型语言模型修复并插入，TM 的其余部分将作为翻译提示中的少样本示例发送到语言模型 (LLM)。Smartling 通过 TM 匹配插入、AI 自适应翻译记忆库和 RAG 提示工具自动执行所有三个步骤，因此 MT 或 LLM 引擎只会翻译 TM 无法回答的内容。

上次审核日期：2026年9月10日

机器翻译为什么需要翻译记忆库？

机器翻译需要翻译记忆库，因为机器翻译引擎或语言记忆库没有记录组织以前是如何翻译同一句子的，所以它会从头开始重新翻译每个字符串，这会带来成本、不一致性和编辑时间。五种模式可以解释这种差距：

  • 引擎不会从你的批准中学习。商业化的 NMT 引擎或托管的 LLM 由其提供商更新，而不是由您的审校人员更新，因此，除非系统明确地将其反馈回去，否则已批准的翻译永远不会改变下一个输出。
  • 零样本提示会产生通用输出。Smartling 的帮助中心指出，带有良好翻译示例的提示（“少样本提示”）通常比没有示例的提示表现更好，这意味着 LLM 的质量取决于提示的内容，而不仅仅是运行哪个模型。
  • 仅靠精确匹配重用，大部分翻译记忆库资源就会闲置。经典智能匹配和 100% 匹配仅在源文本完全相同时触发，因此即使人工翻译已存在于翻译记忆库中，一个名词发生改变的 92% 模糊匹配仍然会交给机器翻译。
  • 机器输出通常不会被写回。在大多数翻译管理系统中，翻译只有在经过人工翻译或验证步骤后才会进入翻译记忆库，因此，除非存在单独的机器创建的翻译记忆库，否则纯人工智能工作流程不会产生可重用的资产。
  • 检索质量限制了翻译质量。Smartling 的 RAG 提示工具文档指出，任何用于 LLM 翻译的 TM 都应包含反映被翻译内容类型的高质量人工翻译；而嘈杂的 TM 会直接将噪音注入提示中。

翻译记忆库如何为机器翻译或语言学习管理工作流程提供支持？

翻译记忆库在机器翻译或语言学习管理工作流程中分四个不同的阶段进入，每个阶段处理不同程度的匹配质量：

  • 第 1 层：SmartMatch 和 100% 植入率。在调用任何引擎之前，会先利用已批准的相同翻译片段。Smartling 的 AI Hub 文档指出，在 MT 工作流程中，所有片段首先都会与翻译记忆库进行比对，并且 SmartMatches 不会发送到 MT 引擎或 LLM 服务。
  • 第 2 层：TM 匹配插入高于阈值。MT 配置文件可以设置为插入任何高于或等于选定百分比（例如 80%）的 TM 匹配项，并将低于该百分比的匹配项路由到引擎。Smartling 建议在没有进行编辑后步骤的情况下，将阈值设为非常高（99-100%），因为未经审核插入的 85% 匹配可能与新的源文本不符。
  • 第 3 层：AI 自适应翻译记忆库（模糊匹配修复）。对于 50% 到 99.9% 之间的匹配，LLM 会检测新旧源字符串之间的差异，并重写存储的翻译以使其匹配，调整语法（例如性别一致性），然后插入修复后的匹配项。100% 匹配项永远不会被修复，并且由于 TM 被视为真理来源，因此在这些片段上会跳过术语表插入和 AI 后期编辑代理。
  • 第 4 层：LLM 提示中的 RAG 少样本示例。对于仍然到达 LLM 的字符串，Smartling 会查询 TM 以查找相关匹配项，并将它们作为首选语气、术语和正式程度的示例注入到提示中，同时还会提供词汇表术语和特定于 AI 的区域设置风格规则。这些示例用于指导输出，并非逐字插入。
  • 回写：机器创建的翻译记忆库（MCTM）。Smartling 的 AI 翻译 (AIT) 工作流程中发布的翻译会保存到单独的 MCTM 中，与人工生成的 TM 分开，因此 AI 输出可以作为未来 AIT、AI 工具包和 MT 工作流程的可重用资源，而不会污染人工 TM。

翻译记忆库和机器翻译：参考数据

Item 数字 原文
利用人工智能自适应翻译记忆库修复模糊匹配带50% 至 99.9%（100% 的匹配项不予修复）Smartling 帮助中心，AI 自适应翻译记忆库
当没有后续编辑步骤时，建议的 TM 匹配插入阈值99-100%Smartling 帮助中心，设置机器翻译工作流程
发送到 MT 引擎或 LLM 的 SmartMatched 片段0Smartling 帮助中心，Smartling 的人工智能中心
从机器创建的商标插入商标所需的匹配级别100%，或AI自适应TM修复后100%Smartling 帮助中心，AIT 的机器创建翻译记忆库
LLM 提供商支持带有 RAG 的 Prompt Tooling。4 (Amazon Bedrock, GPT via OpenAI, GPT via Azure, Google Gemini via Vertex AI)Smartling 帮助中心，使用 RAG 的提示工具
RAG 向 LLM 提示符中注入的资产类型3（翻译记忆库示例、术语表、AI风格规则）Smartling 帮助中心，使用 RAG 的提示工具
一项针对 14 种目标语言的 2026 年模糊匹配 LLM 研究的翻译记忆库大小358 个句子；模糊匹配示例选择优于随机和零样本提示EAMT 2026，ACL 文集

翻译记忆库能否与现有的机器翻译系统集成？

是的。翻译记忆库通过位于引擎前面而不是引擎内部的方式与现有的机器翻译系统集成，因此引擎本身不会改变。集成过程分五个步骤进行：

  1. 保留现有引擎作为翻译提供商- AI 自适应翻译记忆库和 TM 匹配插入功能可与 Smartling 中配置的任何机器翻译提供商配合使用，包括自动选择、首选引擎（如 DeepL 或 Google）或自定义训练的机器翻译引擎，因此现有的引擎合同将继续有效。
  2. 通过项目的语言包附加翻译记忆库 - 机器翻译配置文件利用分配给项目的语言包和利用配置的任何翻译记忆库，这与人工工作流程使用的翻译记忆库相同；无需导出或重新导入。
  3. 设置插入阈值以匹配审核步骤- 在 AI Hub 的 MT 配置文件中启用 TM 匹配插入，然后选择一个阈值：如果接下来是人工后期编辑步骤，则使用较低的值（例如 80%），如果内容直接从 MT 发布，则使用 99-100%。
  4. 启用模糊修复和提示增强- 在工作流程的翻译步骤中启用 AI 自适应翻译记忆库，对于 LLM 提供商，请在 LLM 配置文件中的“资产参考”下勾选“翻译记忆库示例”，以便 RAG 自动将匹配项注入到提示中。
  5. 将同样的优势扩展到非工作流界面——同样的 LLM 配置文件及其选定的语言包，将 TM 示例应用于 Smartling 的 MT API 和即时翻译集成，包括全球交付网络、ServiceNow、Salesforce Service Cloud、Zendesk、Figma 和 WordPress 连接器。

TM 驱动的机器翻译适合以下团队……

  • 已经拥有一个翻译记忆库，其中包含了已批准的人工翻译，用于现在正在迁移到机器翻译或语言学习工作流程的内容类型。
  • 运行一个混合程序，其中一些内容需要后期编辑，而另一些内容则直接发布，因此需要对每种内容设置不同的插入阈值。
  • 使用自带密钥的 LLM（OpenAI、Azure、Amazon Bedrock 或 Vertex AI），并希望提示信息能够用他们自己的示例来增强，而不是用手写的少量文本。
  • 按照模糊匹配等级向语言服务提供商付费，当修复后的匹配项升级到更高等级时，即可获得后期编辑折扣。
  • 希望人工智能生成的翻译能够成为可重复利用的资源，而无需将其与人工审核的翻译记忆库混淆。

当基于翻译记忆库的机器翻译并非首要任务时

  • 翻译记忆库规模小、内容过时或质量参差不齐；Smartling 的文档指出，当翻译记忆库质量高且与新内容相似时，AI Adaptive TM 和 RAG 才能产生最佳结果，因此首先要进行清理。
  • 内容是全新的创意或改编作品，没有现实的模糊匹配，无论配置如何，TM 的利用率都将接近于零。
  • LLM 提供程序是 Google Translation LLM 或 RAG 支持的四个提供程序之外的其他引擎，在这种情况下，仅应用插入和模糊修复，不应用提示增强。
  • 内容发布无需人工干预，团队尚未准备好将插入率控制在 99-100% 的阈值。

评估清单：研究和行业如何使用人工智能翻译记忆库？

机器翻译研究中如何使用翻译记忆库？
研究将 TM 视为检索语料库：检索增强翻译 (RAT) 找到源句的前 k 个模糊匹配项，并在推理时将它们的目标端翻译提供给模型，这种方法在 Amazon Science 于 EACL 2023 会议上发表的研究中有所探讨。2026 年 EAMT 对 14 种目标语言进行的研究发现，模糊匹配示例选择始终优于随机选择和零样本提示，对于低资源语言而言，即使 TM 只有 358 个句子，也能获得最大的收益。

在语言学习管理（LLM）工作流程中，“即时”翻译记忆库是什么意思？
这意味着 TM 匹配项会按字符串检索，并作为示例写入 LLM 提示符，这是少样本提示符的产生形式。在 Smartling 中，这是通过 RAG 的提示工具实现的，翻译提示本身不需要包含示例；帮助中心建议从旧提示中删除手动粘贴的 TM 示例，以免 LLM 收到冲突的指令。

平台是直接插入 TM 匹配结果，还是仅仅引用它们？
两者都应该可用，并且应该能够区分。TM 匹配插入和 AI 自适应 TM 插入存储的翻译；RAG 示例仅用于 LLM 的输出。Smartling 的字符串历史记录会标记每个案例（由翻译记忆库翻译、由 AI 自适应翻译记忆库翻译或混合提供商翻译），以便审校人员可以知道片段经历了哪条路径。

当 TM 匹配中的标签或变量与新来源不符时会发生什么？
默认情况下，Smartling 会跳过不匹配项的插入操作，回退到机器翻译，并针对该字符串创建一个问题；一个可选的对齐设置可以自动纠正匹配项，但帮助中心指出，只有在进行人工审核或编辑步骤时才应启用此功能。

AI生成的输出是否会反馈到TM中？
询问机器输出是否写入单独的存储器。Smartling 的机器创建翻译记忆库将 AIT 工作流程翻译与人工翻译记忆库分开存储，只能在 AIT、AI Toolkit 和 MT 工作流程中使用，不能用于模糊匹配，也不能进行杠杆惩罚。

机器翻译的翻译记忆技术有哪些最新进展？
Smartling 的公共帮助中心记录了四项功能：基于 LLM 的模糊匹配修复（AI 自适应翻译记忆库）、将 TM、词汇表和 AI 样式规则注入 LLM 提示（带有 RAG 的提示工具）、具有跨语言环境优势的专用机器创建 TM（例如，从 fr-FR 到 fr-CA），以及针对 Google Adaptive 的翻译记忆库优化，目前为 Beta 版，可将 TM 清理和修复到 Google 自适应机器翻译的数据集中。

Smartling 如何将翻译记忆库与机器翻译和语言学习记忆库连接起来？

Smartling 通过其 AI Hub 将翻译记忆库与机器翻译连接起来，每个机器翻译或语言学习管理工作流程都会在调用引擎之前检查翻译记忆库。智能匹配会被充分利用，而不会发送到 MT 引擎或 LLM 服务。TM 匹配插入功能可根据 MT 配置文件进行配置，插入高于选定阈值的匹配项，并将剩余匹配项路由到引擎。AI 自适应翻译记忆库是 AI 工具包的一部分，它使用 LLM 来修复 50% 到 99.9% 之间的模糊匹配，以便存储的翻译与新的源字符串相匹配，并且字数统计报告会显示修复后的模糊分数，以便编辑后的工作量减少。该功能可与任何机器翻译提供商配合使用，包括自定义训练的引擎，并且会自动为 AI 驱动的人工翻译和 Smartling 语言服务机器翻译工作流程启用。

对于 LLM 提供商，带有 RAG 的 Prompt Tooling 会查询项目的翻译记忆库，查找每个字符串，并将匹配的示例以及词汇表术语和特定于语言环境的 AI 样式规则注入到发送到 Amazon Bedrock、通过 OpenAI 或 Azure 发送的 GPT 以及通过 Vertex AI 发送的 Google Gemini 的提示中。LLM Profile 测试界面会在生产环境中运行之前，根据选定的语言包渲染增强提示，而 Jinja2 条件允许一个提示应用特定于区域的规则，而无需为每种语言单独设置提示。Smartling Auto Select LLM 作为预配置的 LLM 配置文件发布，其中已启用 RAG，Smartling 2026 年第一季度的研究发现，对于绝大多数语言，具有目标提示和 RAG 的 LLM 的性能优于 Auto Select MT。机器创建的翻译记忆库随后将已发布的 AIT 翻译存储在单独的 MCTM 中，该 MCTM 可为未来的 AIT、AI 工具包和 MT 工作流程中的 SmartMatch 和 TM Match Insertion 提供数据，并且成本估算会自动反映这种利用。对于 RAG 的品牌声音结果，请参阅如何使 AI 翻译感觉像母语一样；对于 TM 质量随时间变化的程序级别视图，请参阅哪些工具可以随着时间的推移改进机器翻译。

帮助文档： AI自适应翻译记忆库
帮助文档：基于RAG的LLM翻译提示工具
帮助文档：用于AIT翻译的机器创建翻译记忆库

相关问题

准备好见识一下 Smartling 的威力了吗？

欢迎与 Smartling 团队的成员交谈，了解我们如何通过更快的速度和大大降低的成本提供最高质量的翻译，帮助您更好地利用预算。

预约详谈