翻译模型测试汇总报告

一、总览结论

最终判断：三类场景不宜继续只依赖低成本豆包旧端点。若必须共用一套模型，国内主模型推荐 Alicloud@deepseek-v3，国外主模型推荐 azure04-gpt-4o-mini。若允许按场景拆分，翻译工作台和数据级多语优先 Alicloud@deepseek-v3 / qwen3-235b-a22b，企信 IM 优先 azure04-gpt-4o-mini。企信最新 V2 Prompt 证明“轻量 Prompt + 语言纯净度规则”方向有效，但成功率仍被熔断和空错误强干扰，模型排序不能只看这一轮。

3测试场景

11候选模型

5 批三轮横评 + 企信 Prompt 回归

4 维稳定性 / 质量 / 性能 / 成本

主结论：模型链路稳定性优先工作台：术语治理关键数据级多语：实体名稳定关键企信：V2 Prompt 有效但链路仍干扰

二、测试模型与范围

本报告覆盖 11 个候选模型，测试场景包括翻译工作台、数据级多语、企信 IM。不同场景的最新有效批次不完全相同：翻译工作台以 Round3 40 条 Case 为主，数据级多语以最新 50 条 Case 为主，企信 IM 在 Round3 40 条 Case 基础上追加轻量 JSON Prompt 和 V2 语言纯净度回归测试。

模型编码	模型归类	内部成本口径	本报告中的定位
azure04-gpt-4o-mini	国外 / Azure OpenAI	1.14 / 4.56	企信 IM 默认主模型；工作台和数据级多语稳定兜底。
Alicloud@deepseek-v3	国内 / 阿里云 DeepSeek	2 / 8	翻译工作台主推荐；数据级多语主候选；企信链路修复后重点观察。
qwen3-235b-a22b	国内 / Qwen	2 / 8	数据级多语主候选；工作台稳定候选；企信复杂消息观察。
Alicloud@qwen3.5-plus	国内 / Qwen	未进入推荐	多轮测试中主/降级失败较多，不进入当前主链路。
inner@gemini-2.5-flash-lite	国外 / Gemini	0.72 / 3.04	工作台、数据级多语低成本低延迟候选；企信 V2 中重新纳入观察。
inner@gemini-2.5-flash	国外 / Gemini	未进入推荐	本轮稳定性不足，暂不进入主链路。
inner@gemini-2.5-pro	国外 / Gemini	高成本	稳定性和成本均不适合当前翻译默认链路。
fsBaseTencentmaas@deepseek-v4-flash	国内 / 腾讯 DeepSeek	1 / 2	企信 IM 低成本观察模型，成功样本可用但熔断仍多。
fsBaseTencentmaas@deepseek-v4-pro	国内 / 腾讯 DeepSeek	高成本	本轮有成功样本但耗时高、空错误多，不作为默认候选。
ep-20250311151306-7drx4	国内 / 豆包旧端点	0.3 / 0.6	成本最低，但中文残留、混语和术语风险明显，不建议正式默认。
ep-20251211140918-zhfhg	国内 / 豆包新端点	0.8 / 2	部分场景可观察，但稳定性和质量不足以进入默认主链路。

翻译工作台：Round3 40 条 Case 数据级多语：50 条 Case 企信 IM：Round3 + Prompt 回归语种范围：9 个目标语种

三、评分口径

评分用于辅助决策，不是绝对质量分。Round1 / Round2 大量熔断结果主要作为稳定性背景；Round3 和 9 语种小批量结果用于判断模型质量。

维度	权重	判断方式
翻译质量	45%	CRM 术语、实体名、语义准确、自然表达、是否中文残留或语义反转。
调用稳定性	30%	成功率、空值、熔断、主/降级链路失败。企信 IM 对该项要求最高。
成本	15%	按企业内部每百万 Token 输入/输出成本口径判断。
性能	10%	平均耗时和 P95 耗时。高频 IM 更敏感。

四、三场景最新核心表现

本节不是三轮结果的简单平均，而是按各场景“最新有效测试结果”呈现模型表现。Round1 / Round2 不忽略，主要用于判断空值、熔断、降级失败和提示词结构问题；模型质量排序以最新小批量稳定测试为主。

翻译工作台主模型明确

Round3 成功率 60.68%。可用模型中 Alicloud@deepseek-v3、Gemini Flash Lite、Qwen3-235B 均 100% 成功。

前两轮价值：确认大量失败主要来自调用熔断、空值和降级链路，不直接等同于模型翻译质量差。
首推：Alicloud@deepseek-v3，CRM 配置文案和术语更自然。
低成本候选：inner@gemini-2.5-flash-lite，速度最快、成本低。
主要风险：公海 / 公海池 被翻成 Public Sea / Open Sea。

数据级多语双主候选

最新 50 条 Case 成功率 63.45%。模型质量的核心差异在实体名和业务数据是否被过度翻译。

主候选：Alicloud@deepseek-v3，CRM 术语更自然。
主候选：qwen3-235b-a22b，稳定、少中文残留。
低成本候选：Gemini Flash Lite，但企业名误识别风险高。

企信 IM Prompt 已收敛

Round3 成功率 22.95%；轻量 Prompt 提升到 29.09%；V2 增加语言纯净度后提升到 33.41%，且中文残留从 12 条降到 7 条。

默认模型：azure04-gpt-4o-mini，V2 下中文残留降为 0。
Prompt 方向：保留轻量 JSON + 语言纯净度规则，不恢复复杂保护规则。
主要风险：空错误、熔断和术语不一致仍需技术链路与术语库治理。

五、企信 Prompt 迭代验证

企信单独追加了两轮 Prompt 回归，用来验证成功率偏低是否可能由提示词复杂度造成。结果显示：Prompt 确实有影响，但不是唯一主因；V2 更适合作为后续企信调试台 Prompt。

测试版本	成功率	中文残留	关键判断
旧版企信 Round3 Prompt	22.95%	1 条	失败主要来自熔断和空错误，不能直接判定模型翻译质量差。
轻量 JSON Prompt	29.09%	12 条	成功率提升，说明降低 Prompt 复杂度有效；但语言纯净度回退。
轻量 JSON + 语言纯净度 V2	33.41%	7 条	在保持轻量的同时修复部分中文残留，Azure 残留从 3 条降为 0。

Prompt 结论

V2 是当前更合理的企信调试台 Prompt：只保留角色、企信工作沟通场景、JSON 输出格式和目标语言纯净度要求。@人、URL、邮箱、编码保护不再放进 Prompt，继续交给代码侧处理。

归因边界

V2 的总成功率提升不能全部归因于 Prompt。Gemini Flash Lite、Tencent DeepSeek V4 Flash / Pro 本轮恢复部分成功，拉高了整体成功率；同时 Azure、Qwen3、Alicloud DeepSeek V3 仍受到熔断和空错误影响。

六、场景内模型评分

翻译工作台

模型	综合分	稳定性	质量	成本	结论
Alicloud@deepseek-v3	88	高	CRM 术语最稳	中高：2 / 8	默认主模型
inner@gemini-2.5-flash-lite	84	高	常规文案可用，公海需术语库	低：0.72 / 3.04	低成本候选
qwen3-235b-a22b	80	高	稳定但公海直译偏多	中高：2 / 8	稳定候选
azure04-gpt-4o-mini	76	中高	可用，偶有熔断	中：1.14 / 4.56	兜底
Doubao-Seed / Doubao Lite	66	高	中文残留和术语直译风险	极低 / 低	非关键文本观察

数据级多语

模型	综合分	稳定性	质量	成本	结论
Alicloud@deepseek-v3	87	高	CRM 术语自然	中高：2 / 8	主候选
qwen3-235b-a22b	86	高	实体名较保守，无明显残留	中高：2 / 8	主候选
inner@gemini-2.5-flash-lite	80	高	速度好，但企业名误识别	低：0.72 / 3.04	低成本候选
azure04-gpt-4o-mini	78	中高	可用，实体名本地化风险	中：1.14 / 4.56	稳定兜底
Doubao Lite	62	高	小语种混杂、中文残留	极低：0.3 / 0.6	不适合正式资产

企信 IM

模型	综合分	稳定性	质量	成本	结论
azure04-gpt-4o-mini	87	高；V2 85%，主要受 HALF_OPEN 影响	自然，V2 中文残留 0	中：1.14 / 4.56	默认主模型
qwen3-235b-a22b	74	中；V2 72.5%，空错误 99 条	可用，仍有 1 条中文残留	中高：2 / 8	复杂消息观察
Alicloud@deepseek-v3	73	中低；V2 52.5%，空错误 171 条	语言纯净度最好，残留 0	中高：2 / 8	链路修复后重点观察
inner@gemini-2.5-flash-lite	70	中；V2 50%	本轮无中文残留，需继续观察实体名	低：0.72 / 3.04	低成本候选
fsBaseTencentmaas@deepseek-v4-flash	70	中；V2 45%，仍有熔断	成功样本质量可用	低：1 / 2	低成本观察
Doubao / Qwen3.5 Plus / Pro 系列	40-58	低	样本不足、中文残留或链路失败	不一	不进入主链路

七、模型决策：共用一套 vs 分场景路由

方案 A：三个场景共用一个国内模型 + 一个国外模型

类型

推荐模型

推荐理由

国内模型

Alicloud@deepseek-v3

在翻译工作台和数据级多语中质量最稳，CRM 术语自然；企信本轮链路不稳，但成功样本可用。若只能共用一个国内模型，它比 Qwen3 更少出现 Public Sea 这类术语直译。

国外模型

azure04-gpt-4o-mini

企信 IM 明显最稳，V2 下中文残留降为 0，同时在工作台和数据级多语可作为稳定兜底。成本中等，速度可接受，是跨场景最稳的国外模型。

说明：若“国外模型”必须优先低成本，可观察 Gemini Flash Lite，但它在实体名和术语一致性上不如 Azure 稳，不建议作为共用默认。

方案 B：三个场景分别配置国内模型 + 国外模型

场景	国内推荐	国外推荐	理由
翻译工作台	Alicloud@deepseek-v3	inner@gemini-2.5-flash-lite	DeepSeek V3 质量最好；Gemini Flash Lite 成本和速度优势明显，但需术语库。
数据级多语	qwen3-235b-a22b / Alicloud@deepseek-v3	inner@gemini-2.5-flash-lite	Qwen3 更保守，DeepSeek V3 术语更自然；Flash Lite 可做低成本候选，但实体名需保护。
企信 IM	Alicloud@deepseek-v3 / fsBaseTencentmaas@deepseek-v4-flash	azure04-gpt-4o-mini	Azure 是默认主模型；DeepSeek V3 语言纯净度最好但空错误多；Tencent Flash 成本低且有成功样本，但必须先解决熔断。

推荐落地路径：短期采用方案 A，降低配置复杂度：国内 Alicloud@deepseek-v3，国外 azure04-gpt-4o-mini。中期在企信 IM 上单独保留 Azure 默认，并使用 V2 Prompt；工作台/数据级多语逐步引入 DeepSeek V3 和 Qwen3 的分场景路由。

八、关键分析要点

稳定性

Round1 / Round2 大量失败主要来自 fs-apibus-global.fstest:8887 熔断，不能直接作为模型翻译质量差的证据。Round3 仍能看到企信 IM 的熔断更严重。

翻译工作台和数据级多语：小批量后可稳定横评。
企信 IM：成功率偏低主要是网关和模型链路问题。

翻译质量

三个场景的质量问题不完全相同：工作台关注术语，数据级多语关注实体名，企信关注自然表达和语义不反转。

公海 / 公海池 必须进入术语库。
企业名、项目名、产品名要区分翻译、音译、保留原文。
审批退回、回款、商机阶段等协作语义需要重点防错。

成本

豆包成本最低，但在正式多语资产和工作台配置文案里质量风险过高。Gemini Flash Lite 是更有价值的低成本候选。

豆包 Lite：0.3 / 0.6，适合低风险短文本观察。
Gemini Flash Lite：0.72 / 3.04，低成本低延迟候选。
DeepSeek V4 Pro / Gemini Pro 成本高且本轮稳定性不达标。

提示词 vs 代码侧

当前问题不应继续通过堆 Prompt 解决。企信 V2 已证明轻量 Prompt 加语言纯净度规则更合理；@人、URL、邮箱、编码保护已确认走代码侧，Prompt 只保留角色、场景、输出格式、语言纯净度和必要术语提示。

熔断和空错误信息：技术链路治理。
术语不一致：术语库治理。
自然度和语义：模型选择 + 少量 Prompt 收敛。

九、最终建议

决策问题	推荐结论	补充说明
是否继续用豆包旧端点做默认翻译模型？	不建议	成本极低，但中文残留、混语、术语直译风险明显。
是否三个场景共用一套模型？	短期可以	国内 DeepSeek V3 + 国外 Azure，能兼顾质量、稳定和配置复杂度。
是否最终要分场景路由？	建议中期演进	企信 IM、工作台、数据级多语的质量目标不同，分场景会更合理。
企信 Prompt 是否继续改？	保留 V2，少量收敛	当前 V2 已能压低中文残留，不建议恢复复杂保护规则。
下一步最该做什么？	术语库 + 熔断治理 + 空错误排查	比继续扩 Prompt 更有效，尤其是公海、公海池、回款、商机、线索、工单，以及调试台空错误原因。