大模型时代的机器翻译和传统 NMT 有什么区别？产品上怎么融合？

先这样答

两者的差异要从三个维度看。上下文利用：传统 NMT 逐句独立翻译，代词指代和术语一致性靠前处理规则勉强维持；大模型可以吃进整段甚至整篇，指代消解、文体统一、习语处理的能力高一档。可控性：NMT 输出确定性强、行为稳定；大模型输出有随机性，可能加解释、改写意思，要靠提示词和后处理约束。成本：NMT 推理成本比大模型低一到两个数量级，延迟也更低，高并发查词场景仍然只能 NMT 扛。

词典翻译产品的融合架构是双引擎分层。第一层术语库：产品的核心资产是积累了多年的词条、例句、专业术语，翻译时先做术语匹配，命中的术语作为硬约束传给模型，大模型翻译也要服从术语库的既定译法，这保证了产品多年积累的权威性不丢。第二层分流：查词、短句这类高频轻请求走 NMT 或缓存，秒回；长句、难句、用户主动要求的润色和整段翻译走大模型。第三层体验增强：大模型额外提供语法讲解、多译法对比、语境例句生成，这些是传统翻译给不了的增值。

质量评估上，人机结合：自动指标做回归（防止模型版本变更导致质量波动），人工评测盯难点语言对和专业领域。

面试官会怎么追问

• 「术语库怎么约束大模型？」 翻译前抽取原文里的术语，查库得到标准译法，在提示词里以对照表形式硬性给出，输出后校验术语是否被采纳，未被采纳的做替换修正。术语库是产品的护城河，必须优先级高于模型的自由发挥。
• 「整篇文档翻译怎么控制成本？」 分段并行、缓存复用（重复段落命中缓存）、按难度分流（简单段落走便宜模型）、术语一致性用先抽全篇术语再逐段翻译的两遍法。
• 「大模型翻译会幻觉吗？」 会，表现为漏译、增译、改数字。防御：数字和实体的前后一致性校验，长度比例异常检测，高价值文档人工抽检。

回答的坑

• 宣称大模型全面取代 NMT。高并发低成本场景 NMT 仍是主力，双引擎才是真实架构。
• 不提术语库和翻译记忆的约束作用。这是翻译产品和通用大模型对话的核心差异。