翻译文件其实是填表，而不是翻译一份 PDF

把一份报关单交给通用翻译器，你会得到一整面准确的句子。把同一个文件交给必须核验它的海关关员，你会得到一次退单——因为第 4 栏不再是第 4 栏了。正式文件不是"碰巧排过版的文本"：它是一张表格，某个数值的含义取决于它落在哪一栏，而读它的人会拿着原件逐行比对。

本文讲的是"翻译文件"和"填写表格"之间的区别：模板化翻译如何运作、成本是多少、在哪里失效，以及大多数文章会跳过的一点——只有真正跑上一段时间才会浮现的两种失效方式。

表格不是排过版的散文

把出生证明当文本读，你得到的是一串标签和数值：姓、名、出生日期、登记机关、证书字号。把它当表格读，得到的东西要严格得多：每个数值只有一个允许出现的位置，其中一部分具有法律效力，而字号本身正是使这张纸成为"文件"而非"对文件的描述"的那个东西。

按散文翻译保住了词，没保住位置。失败不在于输出是错的，而在于输出不再能与原件对照——而对认证翻译来说，可对照正是它存在的全部理由。

还有第二个更安静的问题：扫描件根本没有版式可保。拍下来的护照页就是像素。没有结构可以搬运，因为文件里本来就没有结构，结构只存在于看它的人眼里。任何建立在"保留原始格式"之上的方案，在这里都无物可保。

三种结局，由你上传的东西决定

实际上，文件翻译流水线只有三种可能的结局，而且在任何翻译发生之前就已经决定：

这张表里有两点值得明说，因为它们经常被误读。

"没有模板"不等于"没有格式"。 没匹配到模板的 DOCX 返回时格式完好。模板增加的不是版式存活，而是字段级抽取和一张为该文件类型专门制作的表单。正是这一点让扫描件可用，而扫描件恰恰是别的办法都失灵的场景。

模板是给扫描件用的。 在我们的流水线里，只有当文件是图片型 PDF 时才会启用模板填充。带真实文本层的 PDF 或 DOCX 会走就地替换那条路，哪怕模板本可以匹配——因为只要有版式可替换，就地替换就是严格更优的。

模板到底由什么构成

模板由三样东西组成，值得分开来看，因为它们失效的方式不同。

带占位符的 DOCX 表单。 目标语言的文件，版式与原件一致，姓氏的位置写着 {{surname}}。填充是机械的。

字段模式。 这类文件有哪些数值、类型如何、哪些必填。抽取结果就是对着它评分的：声明了却没交付的字段会成为可见的缺口，而不是沉默的缺口。

抽取提示词。 把页面图像变成这些字段的那条指令。

我们提供 16 套这样的表单，覆盖三个语言对：十一套俄译英（户籍证书、护照、四种不动产登记摘要、法人登记摘要），四套韩译俄（出口报关单、原产地证、发票、装箱单），以及一套中国出口货物报关单。

机械的那部分比听上去更机械，也比你希望的更麻烦。占位符藏在合并单元格里、页眉页脚里，而且由于文字处理软件存储文本的方式，一个 {{exporter_address}} 经常被切成三段分散存放。任何要填充它的程序都必须先把占位符拼回去，任何要编辑它的程序还必须原样放回去。

在真实文件上的成本

这是一次完整的端到端实测，中国出口货物报关单译成俄语：

最后一行才是真正要紧的，也是通常不会被公布的。报关单基本上就是数字：HS 编码、数量、重量、金额、企业注册代码。原文 28 个数字中有 26 个原样出现在输出里。剩下两个中，一个是被有意改写的日期（20260702 → 02.07.2026），另一个是真正的丢失：表单里没有栏位可放的第二个企业代码。

第二个才是整套方法的诚实教训。抽取找到了这个值，表单没有地方安放它。模板只能交付它有栏位的东西，而缺失的栏位从外面看，和缺失的数值一模一样。

选对表格本身就是一道难题

有十六套表单，就必须有东西来判断一份文件属于哪一套。这个判断比人们以为的更便宜也更笨：加权关键词计分，每套表单一个阈值，外加一份排除词表。不调用任何模型，毫秒级完成，而且几乎总是对的。

几乎。

前不久我们把一份个体工商户登记摘要——六页，俄语——喂给自己的匹配器，它自信地选中了护照模板：0.367，阈值 0.3。这份文件里没有护照，没有"паспорт"这个词，没有签发机关那一行，没有任何一个能标识护照的词。

把它带到那里的是：登记摘要会引用经营者的身份证件，而那段的标题里写着"俄罗斯联邦公民"。两个各出现三次的通用短语，压过了一张连一个区分性关键词都没命中的表单。

眼下的修复是加排除词，我们也确实发了。真正的教训是结构性的：加权求和可以在一个区分性词条都没命中的情况下越过阈值。 如果你要造这样的东西，请给区分性词条的"是否出现"单独计分，而不只看总分。

没人会提醒你的那种失效

下面这个是我们没料到的，本节正是为它而写。

模板是这样做出来的：拿一份人工已经完成的真实译文，把里面的数值换成占位符。这是做表单最快的办法，做出来的表单也不错。但它有个陷阱：作者忘记替换的任何数值都会留在模板里，此后被断言到这张表单渲染的每一份文件上。

我们把自己的十六套表单全部扫了一遍，专找这个。十五套是干净的，一套不是——一份未成年人出境的公证同意书，它会打印出：

• place of birth: Vladivostok——父母双方和随行成年人都是；
• 按位置固定、而非从文件中读出的性别；
• 以及印章区里一位具名公证人和他的税号，而可用的公证人占位符就闲置在两段之下。

这张表单出具的每一份同意书都在这样断言——不管文件真正说的是谁。而且没有任何地方看起来是坏的。一张打印出合理城市名的表单，和一张真的读出了城市名的表单，看上去完全一样——这正是这类缺陷能挺过评审的原因。

如果你在用模板，这项检查值得自动化：把每套表单摊平成文本，抹掉占位符，看看还剩下哪些像具体事实的内容。你找到的大部分会是正当的印刷版式——"俄罗斯联邦公民护照"印在护照表单上是应该的。剩下的，就是某个人的出生地。

什么时候模板是错的工具

模板是有意做窄的，诚实的定位恰恰在这份窄：

• 它们只覆盖你有表单的文件类型。 十六套就是十六套。集合之外的文件走就地替换，保住版式，但拿不到字段级抽取。
• 文件必须真的是那个类型。 见匹配器一节：自信的错误答案比没有答案更糟，所以"没匹配到模板"必须是可接受的结局，而不是故障。
• 它们不重建版式。 让模型重新拼出一份连版式转换都没能还原的文件结构，是另一个问题，我们并不声称解决了它。

对合同、报告或信函，DOCX 就地替换才是正确答案，模板不会带来任何增益。对一张报关单的扫描件，它是唯一能产出对方可核验结果的答案。

要点

• 正式文件是表格，其含义是位置性的。 按散文翻译保住了词，丢掉了可核验性，而认证翻译要的就是可核验性。
• 模板是为扫描件而存在的。 文件本身有版式时，就地替换比任何表单都保得好。模板恰恰在无版式可保的地方发挥价值。
• 模板只能交付它有栏位的东西。 字段和占位符一起声明，并核查每个抽取到的值都有落点。
• 表单选择值得与抽取同等的审视。 加权计分可能在零个区分性词条命中的情况下选中一张表单；这要靠测量，不能靠假设。
• 审查表单里残留的数值。 从真实文件描摹出来的模板会继承那份文件的事实，直到有人去看——而从输出侧看不出问题。

FAQ

什么是模板化文件翻译？

它指的是：抽取标准文件的字段值，翻译这些值，再填充一张目标语言的专用表单——而不是把文件当作连续文本来翻译。适用于版式固定且具法律意义的文件：各类证书、报关单、登记摘要。

没匹配到模板的 DOCX 会丢格式吗？

不会。没匹配到模板的 DOCX 会在文件自身的 XML 内就地翻译，格式因此保留。模板增加的是字段级抽取和针对该文件类型的表单——这对扫描件最为关键，因为扫描件的文件里根本没有版式可保。

为什么不让 AI 重建版式？

因为"重建版式"和"保留版式"是两个不同的问题，失效方式也不同。文件里存在结构时，保留是可行的；而当转换未能还原结构时才需要重建，那是一个尚未解决的开放问题，而不是已交付的功能——对声称相反的供应商应当保持警惕。

怎么知道模板选对了文件类型？

拿真实文件去测，包括那些你预期会失败的。我们自己的匹配器曾自信地把一份工商登记摘要送去了护照表单，却没命中该表单任何一个标识性关键词——这个缺陷只有把语料跑一遍并阅读结果才看得见。

一次文件翻译能保住多少数字？

在我们实测的中国报关单上，原文 28 个数字中有 26 个原样输出，另有一个是被有意改写的日期。唯一真正的丢失是表单里没有对应字段的那个值。数字完整性是可测量的，也正是值得要求的指标——散文上的准确率分数说明不了 HS 编码是否幸存。

结语

"翻译文件"与"填写表格"的区别听起来像实现细节，实际上决定了产出能不能用。散文翻译面向阅读来优化；文件翻译必须面向核验来优化，因为总会有人把两份并排放好，一栏一栏地比。

也正因如此，这里有意思的工程并不在翻译那一步。它在于选对表单、让每个抽取到的值都有落点，以及确保表单本身没有在悄悄断言某个陌生人的事实。

如果你要翻译证书、报关单或登记摘要，想看看字段级抽取在你自己的文件上会产出什么，试试 KTTC——输出是一张可以逐行核验的填好表单，也只有这样的才值得要。