改进机器翻译最显而易见的办法，是把它再交给模型跑一遍，请它给个更好的版本。这只是一行代码，感觉像是白得的质量。

它不是白得的，而近期的测量还表明，它往往也算不上质量：对整份文件做一次覆盖式的大模型二次处理，花掉的远多于换回来的（arXiv:2601.19410）。这个想法合理的版本是有选择的——只编辑质量评估判定为弱的片段。本文讲怎么定这个阈值、该测量什么，以及有选择的做法在实践中会以哪两种方式失败。

为什么覆盖式的二次处理令人失望

三个原因，第三个通常出人意料。

大多数片段并不需要它。 在一份典型文件里，大部分机器翻译片段是没问题的。对它们再跑一遍，是没有任何上行空间的花费。

这一遍并非无风险。 被要求"改进"一份正确译文的模型会改动它——因为它被要求这么做。有些改动是中性的，有些更糟；而在正式文件上，"变得不一样"本身就是代价：已经批准过某个措辞的评审，现在看到了一个新的。

它掩盖了问题所在。 覆盖式重写之后，你无法分辨哪些片段原本是弱的，因为它们全都变了。你毁掉的，正是本可以用来改进上游环节——提示词、词表、模型选择——的那个信号。

有选择的译后编辑规避了这三点，并产出一份价值不亚于编辑本身的副产品：一张"你的流水线在哪里吃力"的清单。

定向流水线的形态

四个阶段，只有第三个真正花钱：

翻译。 用你原本的路径。
逐片段评估质量。 先用便宜的启发式规则，只对被规则标记出来的片段动用大模型判断。（双层方案我们另文写过；这里适用同一套结构。）
对低于阈值的片段做译后编辑。 带上原文、当前译文，以及——这一点很关键——评估器给出的具体意见。
只对被编辑过的片段重新评估，这样你才能知道这次编辑是否有帮助。

设计决策就在第三阶段。把片段被标记的原因交给编辑环节，正是"定向译后编辑"与"昂贵的改写服务"之间的分界。"这是机器翻译，改好它"得到的是重写；"这个概念的词表术语是 X，而译文用了 Y"得到的是修复。

如何设定阈值

阈值不是质量问题，而是代价不对称问题。在选定之前，先写下两个数：

一次误标的代价。 一次不必要的编辑调用，外加把一个正确片段改坏的风险。
一次漏标的代价。 一个缺陷被交付出去。在报关单或证书上，那意味着接收方退件。

对正式文件，第二个代价以很大幅度占据主导——这支持采用宽松的阈值：多标记、多编辑、接受浪费。对大批量营销内容，天平则倒向另一边。

接着测量大多数团队从不看的那个量：升级率。有多大比例的片段越过了阈值？

如果答案是 0%，你的第二层就是装饰，你在为一个什么都不改变的评估器付钱。如果答案接近 100%，你只是多绕了几步，把覆盖式二次处理重新发明了一遍。

我们踩中的是第一种。我们的规则式前置过滤器给一批真实的机器翻译片段打了 75 到 85 分，一个都没有升级。而当我们强制大模型层去看时，它给那十四个片段中的十三个打了 100 分。这个前置过滤器是保守而非错误——它低估好译文，也不放过坏译文——但实际效果是：一个从不运行的昂贵层，以及在正确译文上看到悲观数字的用户。

要盯住的正是这种失效：一个同时安全又惰性的阈值。

该测量什么，按顺序

1. 升级率。 按文件类型分开看，而不是笼统一个数。报关单和证书的表现并不相同。

2. 编辑采纳率。 在你做过译后编辑的片段里，有多少真的被改好了？只对被编辑片段重新评估，几乎免费就能得到这个数。如果它很低，问题出在编辑提示词，而不是阈值。

3. 在被标记集合上的人工一致性。 抽一批被标记片段交给评审。如果他对大多数标记都不认同，那是评估器失准，再好的阈值也救不了。

4. 标记聚集在什么上。 这就是那份副产品，而长期看它是最有价值的产出。如果 60% 的标记都是词表不一致，解决办法不是加大译后编辑力度，而是把词表放进第一个提示词里。

有选择的做法会怎样失败

没有原因的编辑环节。 如果第三阶段收到的只是"这个片段分数低"，它会重写而不是修复。把评估器的具体意见传下去。这也正是为什么一个可审查的评估器——输出错误类别与片段位置，而不是一个孤零零的数字——比一个相关性略高的更值钱。

会漂移的阈值。 换掉模型、提示词或词表，分数分布就会在你脚下移动。按上个季度的分布设定的阈值，可能悄无声息地变成惰性的，而这看上去恰恰像是"质量提升了"。任何上游组件变更之后都要重新核对升级率，并在它归零时告警。

什么时候译后编辑根本不是对的工具

对正式文件，有些缺陷根本不该走到译后编辑那里：

缺失的数字。 用确定性方法比对数字串。比较不花钱，也没有意见。
未翻译的标签。 在译文里扫描源语言文字的字符。同样免费。
词表不一致。 直接核对术语，而不是去问模型"术语用得对不对"。

以上每一项，作为确定性检查都比作为一次大模型调用更便宜、更可靠、也更可解释。把译后编辑留给真正需要判断的东西：别扭的措辞、语域，以及第一遍处理得不好的歧义。

一般原则：不要把一次模型调用花在一次比较就能回答的问题上。

要点

覆盖式的二次处理花得远比换回来的多，有改坏正确片段的风险，还毁掉了"流水线弱在哪里"的信号。
给编辑环节原因，而不只是分数。 没有具体意见，第三阶段会重写而不是修复。
从代价不对称出发定阈值，而不是从一个质量目标出发：正式文件上，漏掉的缺陷压倒浪费掉的调用。
按文件类型测量升级率。 零意味着昂贵层是装饰；接近 100% 意味着你重建了覆盖式处理。
确定性检查优先。 数字、未翻译标签和词表术语属于比较而非判断，不该消耗模型调用。

FAQ

什么是定向译后编辑？

只对质量评估器标记为弱的片段跑自动译后编辑，而不是覆盖整份文件。它以一小部分成本拿到大部分收益，并顺带产出一份"流水线在哪里吃力"的清单。

质量阈值该怎么选？

从误标（一次浪费的编辑，外加改坏正确片段的风险）与漏标（一个缺陷被交付）之间的不对称出发。对正式文件，第二个代价占主导，因此宽松的阈值是对的。然后通过测量实际升级比例来验证。

升级率应该是多少？

没有普适数字，但 0% 和接近 100% 都不对。零意味着评估器什么都没改变、昂贵层沦为装饰；接近 100% 意味着你多绕了几步重建了覆盖式处理。按文件类型分别测量。

译后编辑能修好缺失的数字吗？

能，但不该由它来做。数字完整性是原文与译文之间数字串的确定性比对——不花钱、不会凭空生成，而且抓的正是报关单和证书上最要命的那类缺陷。译后编辑是留给需要判断的问题的。

如果评估器和评审意见相左怎么办？

那说明评估器失准，任何阈值都修不好。抽取被标记的片段交给评审，先测量一致性，再去调别的：建立在坏信号之上的阈值，只是换了一个噪声子集而已。

结语

有选择的译后编辑是比覆盖式处理更便宜的架构，但这不是它的主要优势。主要优势在于：它迫使你拥有一个你信得过的质量评估——而一旦有了，它标记出来的清单会告诉你上游该修什么。

从中收获最多的团队，是把这些标记当作对自身流水线的缺陷报告，而不是当作一条待办队列。编辑一处词表不一致，修的是一个片段；把词表放进提示词，修的是全部。

如果你想要一套由质量评估决定"什么值得再看一眼"的文件翻译，试试 KTTC。