现在网络上有很多机器翻译平台，国内的有百度翻译、文星一言，国外的有DeepL、等，各平台性能究竟如何？本人做了一个小小的测试，方法及评判不是很专业，只是好玩。
测试的平台
国内的选：文星一言。
国外的选：DeepL、（GPT-3.5 Turb）。
测试方法
采用循环测试方法，即先拿一句中文，由翻译平台翻译成英语，再由该平台翻译成中文，然后开始循环，将此中文让平台翻译成英文，...，循环多次，直到结果稳定为止。
测试内容
测试内容分两种，一种是带有专业性的一段话，另一种是大众口语化的一段话。
带有专业性的一段话：大脑信息处理是直接对存储的数据执行计算，而计算机则在内存单元和中央处理单元之间来回传输数据。这种低效的分离（冯诺依曼瓶颈）导致计算机能源成本不断上升。
大众口语化的一段话：今天我在高速上开车，遇到一个奇葩，一会儿快一会儿慢，我想超过去吧，他就加速不让我超，我不超了吧，他又慢下来，真把我气死了。
结果文星一言
1）带有专业性的一段话
第一次循环：
中文输入：大脑信息处理是直接对存储的数据执行计算，而计算机则在内存单元和中央处理单元之间来回传输数据。这种低效的分离（冯诺依曼瓶颈）导致计算机能源成本不断上升。
翻译结果：The brain by on data, while data back and forth units and units. This (von ) leads to costs for .
回翻的中文：大脑通过直接对存储的数据进行计算来处理信息，而计算机则在内存单元和中央处理单元之间来回传输数据。这种低效的分离（冯·诺依曼瓶颈）导致计算机的能源成本不断上升。
第一次循环结果中，由机器翻译回来的中文，与原文对比，除了第一句外，没有太大的变化，第一句也只是句子结构有些改变，由“大脑信息处理是直接对存储的数据执行计算”，变成了“大脑通过直接对存储的数据进行计算来处理信息”，但意思没有变。
第二次循环：
中文输入：大脑通过直接对存储的数据进行计算来处理信息，而计算机则在内存单元和中央处理单元之间来回传输数据。这种低效的分离（冯·诺依曼瓶颈）导致计算机的能源成本不断上升。
翻译结果：The brain by on data, data units and units. This , known as the von , has led to costs for .
回翻的中文：大脑通过直接对存储的数据进行计算来处理信息，而计算机则在内存单元和中央处理单元之间传输数据。这种低效的分离现象，被称为冯·诺依曼瓶颈，导致计算机的能源成本不断上升。
第二次循环变化比较大，一是在输入的中文句子“而计算机则在内存单元和中央处理单元之间来回传输数据。”中的“来回”两个字，回翻的句子中没有了；二是将最后一句的“（冯·诺依曼瓶颈）”，变成了“被称为冯·诺依曼瓶颈”。
第三次循环：
输入的中文：大脑通过直接对存储的数据进行计算来处理信息，而计算机则在内存单元和中央处理单元之间传输数据。这种低效的分离现象，被称为冯·诺依曼瓶颈，导致计算机的能源成本不断上升。
回翻的中文：大脑通过直接对已存储的数据进行计算来处理信息，而计算机则在内存单元和中央处理单元之间传输数据。这种低效的分割方式，被称为冯·诺依曼瓶颈，导致了计算机能源成本的不断攀升。
第三次循环weir中文网，除了个别用词做了调整，意思基本没有变，趋于稳定。
2）大众口语化的一段话
第一次循环：
中文输入：今天我在高速上开车，遇到一个奇葩，一会儿快一会儿慢，我想超过去吧，他就加速不让我超，我不超了吧，他又慢下来，真把我气死了。
翻译结果：Today I was on the and a . He was fast and then slow. When I to him, he to me from doing so. When I gave up , he down again. It me off.
回翻的中文：今天我在高速公路上开车时，遇到一个怪人。他一会儿开得很快，一会儿又很慢。当我想超车时，他加速阻止我超车。当我放弃超车时，他又放慢了速度。这真的让我很生气。
第一次循环的结果，基本上意思没有变，对口语化省掉了行为主体的“一会儿快一会儿慢”，理解是到位的。回翻结果比原文简洁化有所降低。第二次循环基本趣稳，没有太大变化。
DeepL
1）带有专业性的一段话
第一次循环：
中文输入：大脑信息处理是直接对存储的数据执行计算，而计算机则在内存单元和中央处理单元之间来回传输数据。这种低效的分离（冯诺依曼瓶颈）导致计算机能源成本不断上升。
翻译结果：The brain's on data, while the data back and forth units and a unit. This (the Von ) leads to costs.
回翻结果：大脑的信息处理直接对存储的数据进行计算，而计算机则在存储单元和中央处理器之间来回传输数据。这种低效率的分离（冯-诺依曼瓶颈）导致计算机能源成本不断上升。
第一次循环的结果，除了个别用词做了调整，句子结构基本没有变化，意思也没有变化。
第二次循环：
中文输入：大脑的信息处理直接对存储的数据进行计算，而计算机则在存储单元和中央处理器之间来回传输数据。这种低效率的分离（冯-诺依曼瓶颈）导致计算机能源成本不断上升。
翻译结果：The brain's on data, while the data back and forth the unit and the . This (the von ) leads to costs.
回翻的中文：大脑的信息处理直接对存储的数据进行计算，而计算机则在存储单元和中央处理器之间来回传输数据。这种低效率的分离（冯-诺依曼瓶颈）导致计算机能源成本不断上升。
对比第二次循环的中文输入与回翻的中文，句式及意思基本没有变化，比较稳定。
2）大众口语化的一段话
第一次循环：
中文输入：今天我在高速上开车，遇到一个奇葩，一会儿快一会儿慢，我想超过去吧，他就加速不让我超，我不超了吧，他又慢下来，真把我气死了。
翻译结果：Today I drove on the , a , a fast a slow, I want to go over the bar, he to me from , I do not the bar, he down, me off.
回翻的中文：今天我开车上高速，遇到一个怪人，一会儿快一会儿慢，我要超车吧，他加速不让我超，我不超车吧，他又减速，真是气死我了。
第一次循环，对比原文及回翻的中文，意思没有变，连口语化也没有太变化，且对“一会儿快一会儿慢”的行为主体也判断准确，另外，翻译的英文也简洁且带口语化。
第二次循环，基本没有变化。
3.
1）带有专业性的一段话
第一次循环：
中文输入：大脑信息处理是直接对存储的数据执行计算，而计算机则在内存单元和中央处理单元之间来回传输数据。这种低效的分离（冯诺依曼瓶颈）导致计算机能源成本不断上升。
翻译结果：The of in the brain on data, while data back and forth units and units. This (known as the von ) in the costs of .
回翻的中文：大脑中的信息处理涉及直接对存储数据执行计算，而计算机在内存单元和中央处理单元之间来回传输数据。这种低效的分离（被称为冯·诺依曼瓶颈）导致计算能源成本不断上升。
第一次循环，从输入的中文与回翻的中文来看，除了个别用词有调整外，大体意思没有变化，但回翻的第一句“大脑中的信息处理涉及直接对存储数据执行计算，而计算机在内存单元和中央处理单元之间来回传输数据”中，少了一个“则”，使回翻的中文在逻辑关系上没有原文好；另外在括号中的说明也增加了“被称为”三个字。
第二次循环：
中文输入：大脑中的信息处理涉及直接对存储数据执行计算，而计算机在内存单元和中央处理单元之间来回传输数据。这种低效的分离（被称为冯·诺依曼瓶颈）导致计算能源成本不断上升。
翻译结果：The of in the brain on data, while data back and forth units and units. This , known as the von , leads to the in costs of .
回翻的中文：大脑中的信息处理涉及直接对存储数据执行计算，而计算机在内存单元和中央处理单元之间来回传输数据。这种低效的分离，被称为冯·诺依曼瓶颈，导致计算能源成本不断增加。
第二次循环，回翻的中文与输入的中文，除了在句式上有个别之外，意思基本没有改变。第三次循环，回翻的中文与输入的中文一样，基本趋于稳定。
2）大众口语化的一段话
第一次循环：
中文输入：今天我在高速上开车，遇到一个奇葩weir中文网，一会儿快一会儿慢，我想超过去吧，他就加速不让我超，我不超了吧，他又慢下来，真把我气死了。
翻译结果：Today, while on the , I a who kept - fast, slow. I tried to , they would and not let me pass. When I not to , they would slow down again. It me.
回翻的中文：今天在高速公路上开车时，遇到一个奇怪的人，他时而开得快，时而开得慢。每当我想超车时，他就会加速不让我超过去。当我决定不超车时，他又会减速。这真的让我很恼火。
第一次循环，对比原文及回翻的中文，意思没有变，对“一会儿快一会儿慢”的行为主体也判断准确，但，翻译的英文简洁化方面和口语化方面都大打折扣，回翻的中文口语化方面也不太好。
第二次循环，基本维持稳定，与上面的回翻中文差不多。
结论
从以上的测试来看，文心一言、DeepL和在中英互译上面基本都能达到要求，能比较准确翻译出输入的中英文，但在细节上，DeepL略胜一筹，尤其在翻译带有大众口语化的内容时；文心一言和旗鼓相当，但在口语化和简洁性方面，还是逊色于文心一言。
限时特惠:本站持续每日更新海量各大内部创业课程，一年会员仅需要98元，全站资源免费下载
点击查看详情
站长微信:Jiucxh
