翻译 API 怎么测：术语、占位符、命名实体和隐私边界比 BLEU 更实用

通用翻译分数可以说明模型大致读得懂文本，却很难反映产品上线会不会出错。按钮文案里的变量、支付页面的金额、技术文档的命令、法律条款中的限定条件，一旦被错误翻译，影响远大于一句普通句子的语感不自然。

测试集要包含真实格式

把样本分成 UI 文案、营销内容、技术文档、代码注释、客服对话和法律/隐私说明。每类加入占位符，例如 {name}、%s、HTML 标签、Markdown 链接、日期、货币、版本号和命令行。验收第一步不是看流畅度，而是确认这些结构没有被删除、转义错误或错位。

术语库也要被单独测量。品牌名、功能名、模型名、产品套餐和受保护词应有明确的目标译法。记录模型是否保持术语、是否过度音译、是否把不应翻译的代码改成自然语言。对于中文、日文、阿拉伯文等不同书写方向和格式规则，要按语言对分别统计。

隐私和回退同样重要

翻译请求可能包含客服记录、合同片段或源代码。调用前应进行数据分类和最小化处理，明确上游是否保留内容、在哪个区域处理、失败时是否允许切换供应商。回退模型即使语言质量不错，也可能违反业务术语或数据策略。

Argos Translate 等离线开源翻译工具适合对数据离开边界敏感的场景；云端 API 则通常在语言覆盖和维护上更省事。测评应把准确性、延迟、术语控制和数据处理条件放在同一张表，而不是单独比较一个基准分数。

通过 top-api.cc 统一不同翻译或文本模型的调用时，可以固定术语表版本、源文本哈希和目标语言，比较实际回退结果。术语库和最终发布审核仍应在业务系统中维护。

检查清单

• 变量、标签、链接和代码是否完整保留；
• 术语、品牌名和模型名是否符合规范；
• 数字、日期、货币和单位是否正确本地化；
• 不同语言对的延迟和长尾；
• 外部服务的数据保留与区域说明；
• 失败回退是否改变术语或隐私边界。

参考资料：Argos Translate 项目和各翻译 API 的术语、格式保留与数据使用文档。正式发布前应由目标语言使用者抽检高影响文本。

将多模型翻译纳入 top-api.cc 的调用记录后，可以更容易定位是上游、术语配置还是模板变量造成的差异。