什么是QE？
QE（Quality Estimation）是泛指由模型（而非人）完成的任何自动化翻译质量评分的统称。它既包括BLEU这样的经典参考型指标，也包括MTQE这样的无参考方法，还包括LLM评判打分（GEMBA、LLM-as-a-judge）。
如果说**LQA**是人工审核，那QE就是它的自动化对应物：更快、更便宜，但对细微的语义与文化差别不够敏感。
QE的两代方法
依赖参考译文
第一代指标——BLEU，以及后来更精细的chrF和TER——将机器译文与一份或多份人工撰写的参考译文进行比对。与参考译文重合的词语和短语被换算成一个数字。
无需参考译文
第二代——无参考模式下的**COMET**以及基于LLM的方法——完全不需要参考译文。模型经过训练，仅凭「原文—译文」这一对文本就能预测人类会给出的评分。
到2026年，业界已基本转向第二代方法：为每一份新文档都准备参考译文并不现实，而无参考模型在常见语言对上的质量已非常接近参考型指标。
有了LQA，为什么还需要QE
QE并不是在错误代价高昂的场景下取代人工审核——它解决的是另一个问题：人力实际能处理多大的内容量。一家每天翻译数百万行用户内容的公司，不可能把全部内容都送去做LQA。QE可以帮团队：
- 划定优先级——把低分句段优先交给编辑
- 自动通过——在风险可控的情况下跳过高置信度句段
- 监控系统整体状况——通过统计数据而非客户投诉，及早发现某个翻译引擎的质量下滑
2026年的QE技术栈
当前业界的做法不是依赖单一指标，而是组合使用：COMET给出快速的整体分数，LLM评判则按照评分标准评估COMET无法单独区分的维度——恰当性、流畅度、习语转换、文化语域、术语一致性。在错误代价高昂的场景下，没有任何自动化方法能替代与**MQM**兼容的人工审核。
任何QE方法都有局限
包括最先进的方法在内，所有QE方法本质上都是统计性的，训练目标是逼近平均化的人类判断。如果一段文本文风流畅、与训练数据中的优质译文相似，模型可能给带有事实错误的译文打高分；而对不落俗套但准确的译文，反而可能打低分。QE是筛选文本流的工具，不是对错误代价高昂的文本作出最终裁决。
常见问题
QE和MTQE是一回事吗？
不是：QE是任何自动化评分的统称，MTQE特指其中的无参考子类型。实践中两者常被混用，因为现代流程几乎总是运行在无参考模式下。
QE能完全取代人工吗？
对低风险内容可以。对法律、医疗和营销类文本，QE用作人工审核前的筛选工具，而不是替代品。
2026年哪种QE指标「最好」？
没有单一的「最佳」指标——当前的做法是将COMET与LLM评判评分标准结合，而非依赖单一模型。
QE与ISO 5060是什么关系？
**ISO 5060**描述的是翻译质量评估流程整体，并不绑定具体工具；QE是将这一流程的一部分自动化的方法之一。
小型翻译团队需要QE吗？
如果内容量的增长速度超过编辑团队的规模，就需要——QE能帮助团队决定优先把有限的人力投向哪里。