翻译模型最终复核报告

一、最终结论

一句话结论：翻译模型不能只选一个“全局最优”，需要按国内租户和海外云租户分别保留国内模型与国外模型；短期建议采用“国内 DeepSeek V3 + 国外 Azure GPT-4o mini”的双路由方案。

共用模型方案推荐

如果三个场景共用一组模型：

国内模型：Alicloud@deepseek-v3
国外模型：azure04-gpt-4o-mini

分场景方案中期演进

翻译工作台：国内优先 DeepSeek V3。
数据级多语：DeepSeek V3 / Qwen3 双候选。
企信 IM：国外优先 Azure，国内优先 Qwen3。

合规与成本关键约束

海外云租户应走国外模型链路。
国内租户可走国内模型链路。
按近 30 天消耗估算，DeepSeek V3 约 1,206 元/月，Azure 约 687 元/月。

3核心翻译场景

100 条每场景最终复核 Case

9核心目标语种

国内 + 国外双模型合规路由

主依据：最终 100 条复核历史轮次：用于归因和风险识别最终标准：以关闭代理后的稳定测试为准 Prompt：已收敛，不建议继续堆规则

二、测试过程与归因

前期多轮测试不是无效数据，但它们不适合作为最终模型排序的直接依据。它们的价值在于暴露问题：调试台批量调用会触发熔断，复杂 Prompt 会影响 JSON 成功率，部分模型链路存在空错误，业务术语和实体名不能完全靠模型自由翻译。

阶段	主要目的	暴露问题	为什么不作为最终复核结论
Round1 / Round2 大批量测试	快速拉通调试台、观察模型可用性。	大量 `OPEN / HALF_OPEN` 熔断、空错误、降级链路失败。	调用链路噪声过大，无法区分模型质量和网关稳定性。
40 / 50 条小批量测试	缩小 Case 与语种范围，初步比较质量、性能和成本。	工作台与数据级多语开始收敛，但企信仍受链路和 Prompt 复杂度影响。	样本覆盖还不完整，适合作为方向判断，不适合最终对外背书。
企信 Prompt 多轮回归	验证企信成功率低是否由 Prompt 造成。	复杂保护规则会降低 JSON 成功率；纯极简又会带回术语和表达风险。	这是 Prompt 收敛过程，不是最终横评样本。
最终 100 条复核	冻结 Prompt、冻结 Case、冻结核心语种和候选模型。	工作台和数据级多语结果稳定；企信仍需关注空错误和低并发稳定性。	作为最终汇报主依据。

最终口径：历史轮次用于说明“我们如何发现问题、如何收敛 Prompt、为什么需要最终复核”；最终模型排序只看冻结后的 100 条复核和候选补测，不再混入早期网络状态、并发状态和 Prompt 结构都不同的数据。

三、模型范围与未纳入说明

本次主测聚焦“翻译主链路候选”，不是平台内全部大模型普查。候选模型需要同时满足：可被当前翻译调试台稳定调用、可输出多语 JSON、具备 CRM / PaaS / IM 场景翻译能力，并且有明确内部成本口径。

模型编码	归类	内部成本：输入 / 输出 / 合计，元/百万 Token	最终定位
Alicloud@deepseek-v3	国内 / 阿里云 DeepSeek	2 / 8 / 10	国内共用首选；工作台和数据级多语首选；企信国内质量候选。
qwen3-235b-a22b	国内 / Qwen	2 / 8 / 10	数据级多语国内候选；企信国内优先候选。
azure04-gpt-4o-mini	国外 / Azure OpenAI	1.14 / 4.56 / 5.70	国外共用首选；企信 IM 稳定性首选。
inner@gemini-2.5-flash-lite	国外 / Gemini	0.72 / 3.04 / 3.76	海外低成本低延迟候选；工作台、数据级多语和企信均可观察。
ep-20250311151306-7drx4	国内 / 豆包旧端点	0.3 / 0.6 / 0.9	成本最低，但中文残留和术语直译风险高，不建议默认。
ep-20251211140918-zhfhg	国内 / 豆包新端点	0.8 / 2 / 2.8	低成本观察，不进入最终主链路。
inner@gemini-2.5-pro	国外 / Gemini	高成本	多轮全失败或稳定性不达标，不推荐。

平台内可用但未进主候选的模型	原因
MiniMax M2.7 / M2.5	在当前链路中更多体现为降级或高性能通用模型，不是翻译主链路候选；历史错误里出现过主模型与 MiniMax 降级模型同时失败，说明不适合作为本轮稳定基线。后续如要验证，可单独做 20 条探索集。
GLM / 智谱相关模型	部分配置存在重定向或视觉模型用途，不具备本轮可独立横评的稳定翻译链路；因此没有纳入最终候选队列。
Tencent DeepSeek V4 Flash / Pro	早期进入过观察，但在不同 Prompt 下熔断波动较大；Flash 可低成本观察，Pro 成本和稳定性均不适合作为默认翻译链路。
Qwen3.5 Plus	多轮出现主/降级链路失败，当前不进入默认模型推荐。

四、最终复核数据总览

最终复核将历史多轮调试结果收敛为固定 Prompt、固定 100 条 Case、固定核心语种和候选模型。历史 Round1 / Round2 / Round3 不再直接参与平均分，只用于说明链路熔断、Prompt 复杂度和质量风险的来源。

场景	最终数据文件	测试规模	整体成功率	核心判断
翻译工作台	prompt_playground_excel_result (24).xlsx	100 Case × 9 语种 × 7 模型，6,300 行	84.84%	成功率和质量均已明显收敛，可作为最终主依据。
数据级多语	prompt_playground_excel_result (23).xlsx	100 Case × 9 语种 × 7 模型，6,300 行	84.27%	模型成功率可用，实体名一致性仍需术语库/映射治理。
企信 IM	prompt_playground_excel_result (22).xlsx	100 Case × 9 语种 × 7 模型，6,300 行	52.56%	以关闭代理后的标准测试为准；整体被部分模型空错误和熔断拉低。
企信候选补测	prompt_playground_excel_result (25).xlsx	100 Case × 9 语种 × 3 模型，2,700 行	83.67%	Gemini Flash Lite 900/900 全成功，证明低成本海外候选有参考价值。
企信国内模型再补测	prompt_playground_excel_result (26).xlsx	100 Case × 9 语种 × 2 模型，1,800 行	86.50%	Qwen3 成功率 89%，DeepSeek V3 成功率 84%，国内模型稳定性进一步恢复。

五、三场景核心表现

翻译工作台主模型明确

最终 100 条成功率 84.84%。可用模型中 Alicloud@deepseek-v3、qwen3-235b-a22b、inner@gemini-2.5-flash-lite 均达到 100%。

国内首选：Alicloud@deepseek-v3，CRM 配置文案和术语更自然。
国外首选：inner@gemini-2.5-flash-lite，低成本低延迟；若要更稳可用 Azure 兜底。
质量风险：公海 / 公海池 仍需术语库固定，不能只靠 Prompt。

数据级多语双主候选

最终 100 条成功率 84.27%。qwen3-235b-a22b 和 inner@gemini-2.5-flash-lite 为 100%，Alicloud@deepseek-v3 为 99%。

国内首选：Alicloud@deepseek-v3；备选 qwen3-235b-a22b。
国外首选：inner@gemini-2.5-flash-lite，成本和速度最优。
质量风险：企业名、产品名、项目名会被模型知识化处理，需实体映射。

企信 IM 链路影响最大

标准环境下总成功率 52.56%。候选补测中 inner@gemini-2.5-flash-lite 900/900 全成功；国内再补测中 Qwen3 成功率 89%，DeepSeek V3 成功率 84%。

国外首选：azure04-gpt-4o-mini，最终标准测试成功率 94%。
低成本海外候选：inner@gemini-2.5-flash-lite，补测 100%。
国内优先：qwen3-235b-a22b，成功率更高；质量候选：Alicloud@deepseek-v3，语言纯净度更好。

六、企信标准环境结果

企信 IM 最终复核统一采用关闭代理后的标准测试结果，不再把早期代理状态不一致的数据放入最终结果展示。早期异常只作为“测试过程中的链路噪声”记录，不参与模型排序。

模型	最终标准测试成功率	补测结果	判断
azure04-gpt-4o-mini	94.00%	-	企信国外默认主模型，稳定性最好。
qwen3-235b-a22b	83.00%	89.00%	企信国内优先候选，成功率最高；仍需通过术语库控制 `business opportunity` 和少量中文残留。
Alicloud@deepseek-v3	76.00%	84.00%	企信国内质量候选，成功样本更干净；本轮未发现真实非目标语言中文残留。
inner@gemini-2.5-flash-lite	24.00%	100.00%	7 模型并发时受熔断影响，3 模型补测恢复，适合海外低成本低延迟候选。

七、场景内模型评分

评分用于辅助决策，权重为翻译质量 45%、稳定性 30%、成本 15%、性能 10%。历史熔断轮次只作为稳定性背景，不做简单平均。

翻译工作台

模型	综合分	最终成功率	性能	成本	结论
Alicloud@deepseek-v3	90	100.00%	均值 5.12s，P95 6.64s	2 / 8 / 10	国内默认主模型。
inner@gemini-2.5-flash-lite	86	100.00%	均值 4.54s，P95 5.30s	0.72 / 3.04 / 3.76	海外低成本候选。
qwen3-235b-a22b	82	100.00%	均值 4.91s，P95 7.18s	2 / 8 / 10	稳定候选，但术语自然度略弱。
azure04-gpt-4o-mini	78	93.89%	均值 5.22s，P95 7.89s	1.14 / 4.56 / 5.70	海外兜底。

数据级多语

模型	综合分	最终成功率	性能	成本	结论
Alicloud@deepseek-v3	89	99.00%	均值 5.74s，P95 7.48s	2 / 8 / 10	国内首选，CRM 词更自然。
qwen3-235b-a22b	87	100.00%	均值 5.35s，P95 7.80s	2 / 8 / 10	国内备选，实体名较保守。
inner@gemini-2.5-flash-lite	84	100.00%	均值 4.53s，P95 5.35s	0.72 / 3.04 / 3.76	海外低成本候选，需实体映射兜底。
azure04-gpt-4o-mini	77	91.00%	均值 5.46s，P95 7.86s	1.14 / 4.56 / 5.70	海外兜底。

企信 IM

模型	综合分	最终成功率	性能	成本	结论
azure04-gpt-4o-mini	89	94.00%	均值 6.23s，P95 7.89s	1.14 / 4.56 / 5.70	海外默认主模型。
inner@gemini-2.5-flash-lite	86	补测 100.00%	均值 4.60s，P95 5.38s	0.72 / 3.04 / 3.76	海外低成本低延迟候选。
qwen3-235b-a22b	82	83.00%；再补测 89.00%	均值 8.05s，P95 9.82s	2 / 8 / 10	企信国内优先候选。
Alicloud@deepseek-v3	79	76.00%；再补测 84.00%	均值 8.36s，P95 9.81s	2 / 8 / 10	企信国内质量候选，语言纯净度更好。

八、月度成本估算

月度费用按数据平台近 30 天、business=translate 的 token 消耗估算。图中展示执行总 tokens 为 513,254,864，输入总 tokens 为 483,335,708；输出 tokens 未单独展示，本报告按“执行总 tokens - 输入总 tokens”推算为 29,919,156。执行总算粒为 6,154 次，平均每次约 83,402 tokens。

计算公式：月费用 = 输入 token / 1,000,000 × 输入单价 + 输出 token / 1,000,000 × 输出单价。单价均使用企业内部提供的模型调用价格，不引用官网价格。

模型	输入价	输出价	按近 30 天消耗估算月费用	成本判断
Alicloud@deepseek-v3	2	8	约 1,206.02 元 / 月	质量主模型，成本中高。
qwen3-235b-a22b	2	8	约 1,206.02 元 / 月	与 DeepSeek V3 同价。
azure04-gpt-4o-mini	1.14	4.56	约 687.43 元 / 月	国外默认模型，成本中等。
inner@gemini-2.5-flash-lite	0.72	3.04	约 438.96 元 / 月	国外低成本低延迟候选。
ep-20250311151306-7drx4	0.3	0.6	约 162.95 元 / 月	最低成本，但质量风险高。
ep-20251211140918-zhfhg	0.8	2	约 446.51 元 / 月	低成本观察，不进入主链路。

路由方案	费用估算方式	月费用示例	说明
国内全量 DeepSeek V3	100% 流量走 Alicloud@deepseek-v3	约 1,206.02 元 / 月	质量优先，但不是最低成本。
国外全量 Azure	100% 流量走 azure04-gpt-4o-mini	约 687.43 元 / 月	海外云租户合规链路的稳妥方案。
国外全量 Gemini Flash Lite	100% 流量走 inner@gemini-2.5-flash-lite	约 438.96 元 / 月	海外低成本方案，但需结合术语和实体映射验证。
国内 DeepSeek V3 + 国外 Azure	费用随海外租户流量占比变化	海外占比 10% 时约 1,154.16 元 / 月；20% 时约 1,102.31 元 / 月	当前更推荐的共用双路由方案。

说明：以上是按近 30 天历史总消耗进行“全量切换”估算，不代表最终实际账单。实际费用还会受国内/海外租户占比、重试次数、缓存、失败调用是否计费、上线后 Prompt 长度变化影响。

九、模型路由建议

方案 A：三个场景共用一组国内 + 国外模型

模型类型

推荐模型

推荐理由

国内模型

Alicloud@deepseek-v3

工作台 100%，数据级多语 99%，企信标准测试 76%。综合翻译质量最好，CRM/PaaS 术语更自然，是跨场景国内模型的最稳选择。

国外模型

azure04-gpt-4o-mini

企信 IM 最终标准测试 94%，稳定性最强；工作台和数据级多语可作为海外云租户兜底模型。合规上适合海外租户调用海外模型。

如果海外租户更敏感于成本和延迟，可将 inner@gemini-2.5-flash-lite 作为海外低成本模式，但默认主链路仍建议先用 Azure。

方案 B：三个场景分别配置国内 + 国外模型

场景	国内模型	国外模型	推荐口径
翻译工作台	Alicloud@deepseek-v3	inner@gemini-2.5-flash-lite / azure04-gpt-4o-mini	国内用 DeepSeek V3 保证术语质量；海外优先 Flash Lite 降成本，关键租户可用 Azure 兜底。
数据级多语	Alicloud@deepseek-v3 / qwen3-235b-a22b	inner@gemini-2.5-flash-lite / azure04-gpt-4o-mini	国内质量优先 DeepSeek V3，保守稳定可选 Qwen3；海外低成本用 Flash Lite，实体名需映射兜底。
企信 IM	qwen3-235b-a22b / Alicloud@deepseek-v3	azure04-gpt-4o-mini / inner@gemini-2.5-flash-lite	企信海外默认 Azure；低成本低延迟可灰度 Flash Lite。国内优先 Qwen3，DeepSeek V3 作为质量更干净的备选。

十、Prompt 与质量治理结论

Prompt 已经不宜继续加重

企信多轮验证说明，复杂保护规则会降低 JSON 成功率；纯极简又会带回 Public Sea、repayment、feedbacked 等质量风险。当前最合理的结构是：角色 + 场景 + 通用业务语义底线 + 输出格式。

术语和实体不能全靠模型

工作台的公海/公海池、回款、商机，数据级多语的企业名和产品名，都应进入术语库、实体映射或代码侧预处理。Prompt 负责方向，不负责承载所有业务规则。

问题类型	推荐治理方式	说明
公海 / 公海池被译为海域	术语库	建议固定为 Customer Pool / Public Pool 等业务语义，不让模型自由发挥。
企业名 / 产品名被知识化改写	实体映射	数据级多语最明显，Prompt 无法完全保证一致。
@人、URL、邮箱、编码保护	代码侧处理	这部分已确认不再交给大模型承担。
熔断、空错误、降级失败	模型网关与调用链路治理	不应归因为翻译质量问题；调试台需补错误码和 requestId。

十一、对外汇报口径

问题	建议回答
为什么不直接用历史三轮平均？	历史轮次 Prompt、Case、语种、模型和网络状态都不一致，简单平均会放大噪声。最终报告采用固定 100 条复核作为主依据，历史轮次用于归因和风险识别。
为什么必须分国内/国外模型？	国内租户和海外云租户的数据部署区域不同。海外租户应通过海外模型链路调用，避免跨境合规风险；国内租户可使用国内模型链路。
为什么不是最低成本豆包？	豆包成本最低，但在正式多语资产中中文残留、混语和 CRM 术语直译风险更高。低成本不能替代质量和稳定性。
MiniMax / GLM 为什么没测？	本轮是翻译主链路选型，不是全模型普查。MiniMax 更像降级/通用链路，GLM 当前没有形成独立稳定翻译链路。可后续单独做探索性小样本验证。
下一步上线前还要做什么？	按最终 Prompt 和 100 条 Case 做一次低并发复跑；同时补齐术语库、实体映射、网关错误码和空错误排查。