Эпоха одной модели закончилась

Ещё год назад команды локализации спорили, какую LLM внедрять. Сам вопрос устарел. Ни одна модель не лидирует одновременно во всех языковых парах, типах контента и предметных областях. Лучшие результаты в 2026 году — у тех, кто использует несколько моделей параллельно и направляет каждый сегмент к наиболее подходящей.

Ниже разберём сильные и слабые стороны пяти основных движков перевода, покажем, когда какой применять, и объясним, как гибридная маршрутизация с объективной оценкой качества позволяет срезать затраты на 30–40% и при этом поднять качество.

Сравнительный бенчмарк

Производительность по шести параметрам, основанным на внутренних тестах, результатах WMT-2025 и продакшен-данных пользователей KTTC. Баллы нормализованы по шкале 0–100.

Параметр	GPT-5	Claude 4	Qwen-MT	DeepSeek-V3	DeepL
COMET-KIWI (общий)	88,2	86,9	87,5	85,1	84,7
Точность CJK	82	79	93	88	76
Литературный / тональный	84	91	78	74	80
Техническая терминология	86	83	84	90	82
Малоресурсные пары	85	78	72	70	65
Скорость (токен/с)	120	95	140	160	—
Стоимость за 1M токенов	$6,00	$7,50	$1,20	$0,80	$25*

Стоимость DeepL пересчитана с посимвольной тарификации для сравнимости.

Коротко: GPT-5 берёт широтой охвата, Claude 4 — нюансами и стилем, Qwen-MT — CJK-языками, DeepSeek-V3 — скоростью и технической глубиной при минимальной цене.

Какую модель когда использовать

Выбирать «лучшую» — тупиковый путь. Правильный вопрос: какая модель лучше справится с конкретной задачей?

По языковой паре

Языковая пара	Основная модель	Резервная
EN <-> ZH	Qwen-MT	DeepSeek-V3
EN <-> JA / KO	Qwen-MT	GPT-5
EN <-> DE / FR / ES	GPT-5	DeepL
EN <-> RU	GPT-5	DeepSeek-V3
EN <-> AR / HI / TH	GPT-5	Claude 4
Малоресурсные пары	GPT-5	Claude 4

Отдельно про пару EN <-> RU: DeepSeek-V3, несмотря на более низкий общий COMET, неплохо справляется с технической документацией на русском — особенно с IT-терминологией, где нужно грамотно сохранять англицизмы в контексте.

По типу контента

Маркетинг и креатив. Claude 4 лучше всех держит тональность бренда, юмор и эмоциональную окраску. Длинное контекстное окно помогает выдерживать единообразие по всей рекламной кампании.

Техническая документация. DeepSeek-V3 уверенно работает с кодовыми вставками, API-справочниками и инженерной терминологией — при стоимости в семь раз ниже GPT-5.

Юридические и регуляторные тексты. GPT-5 покрывает самый широкий спектр юридической терминологии. Но без специализированного глоссария лучше не рисковать.

E-commerce и карточки товаров. Здесь критична скорость. DeepSeek-V3 с его пропускной способностью — практичный выбор для массового перевода каталогов, Qwen-MT — специалист по CJK-рынкам.

Художественные и редакторские тексты. Claude 4 — вне конкуренции. Чувствительность к регистру, иронии и культурным нюансам даёт переводы, которые читаются как оригинальные тексты на целевом языке. Впрочем, «как оригинальные» — это комплимент с оговоркой: финальную вычитку носителем всё равно никто не отменял.

По критичности

Для safety-critical контента (медицина, фармацевтика, авиация) ни одна LLM не заменяет постредактора-человека — какие бы баллы ни показывал бенчмарк. Гибридная стратегия здесь тоже работает: выбор лучшей модели просто сокращает объём правок.

Гибридная маршрутизация: как устроена

Роутер переводов — промежуточный слой между вашим контент-пайплайном и набором LLM. Для каждого сегмента он анализирует метаданные (языковую пару, теги домена, тип контента, требования к глоссарию) и направляет запрос к нужной модели.

Схема работы

Исходный сегмент
      │
      ▼
┌─────────────┐
│   Роутер    │ ← Правила + ML-классификатор
│             │
└──────┬──────┘
       │
  ┌────┼────┬────────┐
  ▼    ▼    ▼        ▼
GPT-5  C4  Qwen  DeepSeek
  │    │    │        │
  └────┴────┴────────┘
       │
       ▼
┌─────────────┐
│  TQA-оценка │ ← MQM / COMET / Человек
│  Обратная   │
│  связь      │
└─────────────┘

Три подхода к маршрутизации

Правила (rule-based) — простая логика if/else по языковой паре и тегам контента. Внедряется за день, покрывает 80% случаев. Начинайте с этого.
Классификатор — лёгкая модель, обученная на исторических TQA-баллах, предсказывает лучшую LLM для сегмента. Нужно ~10 000 оценённых сегментов.
Конкурентная маршрутизация — сегмент уходит в две-три модели одновременно, выходы оцениваются автоматической метрикой (COMET-KIWI или MetricX), побеждает лучший. Максимальное качество, максимальная стоимость. Годится для премиум-контента.

Стартовый набор правил

Условие	Модель
`lang_pair IN (zh, ja, ko)`	Qwen-MT
`content_type = literary`	Claude 4
`content_type = technical AND cost_tier = budget`	DeepSeek-V3
`lang_pair = low_resource`	GPT-5
`default`	GPT-5

Зачем нужна TQA-платформа

Запустить несколько моделей — дело нехитрое. Понять, чей результат объективно лучше — вот где начинается настоящая работа. Субъективные предпочтения при масштабировании ненадёжны. Нужна структурированная, воспроизводимая оценка.

KTTC решает эту задачу через MQM-оценку выходов разных моделей бок о бок. Ревьюеры размечают ошибки по стандартизированной таксономии — точность, беглость, терминология, стиль — а платформа агрегирует баллы в профиль качества для каждой модели и языковой пары.

Со временем эти данные становятся обучающим сигналом для классификатора маршрутизации: чем больше оценок, тем умнее роутер.

KTTC также автоматически применяет глоссарии ко всем моделям, гарантируя единообразие терминологии вне зависимости от того, какая LLM произвела перевод.

Анализ «стоимость — качество»

Реалистичный сценарий: SaaS-компания переводит 10 млн токенов в месяц на 8 языков.

Стратегия	Ежемесячная стоимость	Средний COMET	MQM-ошибок на 1K
Только GPT-5	$480	88,2	12,4
Только DeepSeek-V3	$64	85,1	18,7
Только DeepL	$2 000	84,7	15,1
Гибридный роутер	$185	89,1	9,8

Гибрид обходится на 61% дешевле GPT-5 в одиночку и при этом даёт более высокое качество — потому что каждый сегмент обрабатывает наиболее подходящая модель. Экономия складывается из перенаправления объёмных и менее сложных сегментов на DeepSeek-V3 и Qwen-MT.

Как выжать максимум ROI

Начните с двух моделей, а не с пяти. GPT-5 как универсал плюс один специалист (Qwen-MT для CJK или DeepSeek-V3 для техдоков) покрывают большинство потребностей.
Сначала вложитесь в оценку. Без надёжных TQA-данных роутер не настроить. Платформа вроде KTTC окупается, давая инфраструктуру оценки.
Следите за дрифтом. Обновления моделей сдвигают профили качества. Пересматривайте результаты раз в квартал — иначе роутер начнёт врать.

Практические рекомендации

Проведите аудит контент-микса. Классифицируйте объём переводов по языковым парам, типам контента и доменам. Без этого правила маршрутизации — гадание.
Запустите пилот с двумя моделями. Переведите репрезентативную выборку (500–1 000 сегментов) текущей моделью и одной альтернативной. Оцените обе по MQM.
Постройте простые правила маршрутизации. Матрица решений из этой статьи — хорошая отправная точка. Итерируйте на основе TQA-данных.
Автоматизируйте оценку. COMET-KIWI — для быстрых автоматических проверок. MQM-ревью человеком — для критичного контента и периодической калибровки.
Отслеживайте стоимость на единицу качества. Цель — не самый дешёвый перевод и не самый высокий балл, а лучшее качество на вложенный рубль для вашего профиля контента.

FAQ

Стоит ли использовать несколько LLM, если мы переводим только на один-два языка?

Да. Даже для одной языковой пары разные типы контента выигрывают от разных моделей. Техническая документация EN->RU может лучше получаться у DeepSeek-V3, а маркетинговые тексты в той же паре — у Claude 4. Экономия и прирост качества суммируются даже при малом количестве языков.

Сколько размеченных данных нужно для обучения классификатора маршрутизации?

Роутер на правилах не требует обучающих данных — только экспертизу. Для классификатора нужно 5 000–10 000 оценённых сегментов, распределённых по языковым парам и типам контента. KTTC может накопить эти данные через MQM-воркфлоу за несколько недель обычного продакшен-объёма.

Не сломается ли единообразие, если модели переключаются внутри документа?

Риск реальный. Контроль глоссария здесь критичен — все модели должны получать один и тот же глоссарий и стайлгайд. Функция инъекции глоссариев в KTTC стандартизирует терминологию для всех LLM-провайдеров, убирая самый частый источник межмодельных расхождений.

Эта стратегия переживёт выход GPT-6 или Claude 5?

Мультимодельная стратегия не привязана к конкретным моделям по дизайну. Появилась новая модель — добавили в пул, прогнали бенчмарк, обновили правила маршрутизации. Инфраструктура оценки и архитектура роутера остаются прежними. В этом и суть: вы никогда не зависите от релизного цикла одного вендора.