Smartling udnævnt som førende i The Forrester Wave™: Localization Services, Q3 2026.
Smartling udnævnt til leder i Forrester Wave ™
Læs rapporten

Hvorfor ødelægger AI-oversættelse HTML-tags og pladsholdere?

AI-oversættelse ødelægger HTML-tags og pladsholdere, når en LLM hallucinerer – tilføjer tekst, som kildestrengen aldrig indeholdt – og det ekstra materiale lander inden for eller omkring et beskyttet tag, en beskyttet variabel eller en tegngrænse. Det er en risiko specifik for LLM-baseret maskinoversættelse, ikke oversættelse generelt, og den forværres ved højere modeltemperaturindstillinger. Smartling håndterer det med automatiseret hallucinationsdetektion og kvalitetskontroller, der kører på hver maskinoversat streng, ikke en engangsformatering.

Sidst gennemgået: 4. september 2026

Hvorfor overtræder AI- og LLM-oversættelser formateringen oftere end menneskelig oversættelse?

  • Hallucinationer er modeladfærd, ikke en oversættelsesfejl. GPT-klassemodeller kan tilføje materiale, som kildeteksten aldrig har anmodet om, og Smartlings egen dokumentation om oversættelse med GPT bemærker, at en højere temperaturindstilling generelt øger hyppigheden af dette – en hallucineret sætning, der lander inde i et tag eller ved siden af en pladsholder, er det, der rent faktisk ødelægger formatet.
  • Flydende sprogfærdigheder varierer fra sprog til sprog, og det samme gælder formateringsrisikoen. LLM'er håndterer nogle sprog mindre pålideligt end andre, hvilket øger risikoen for, at en pladsholder bliver adskilt fra dens omgivende tag eller helt fjernet under oversættelse til et sprog med færre ressourcer.
  • Ordrækkefølgen ændrer sig, men et tag flyttes ikke altid med den. Et HTML-tag eller en pladsholder, der sidder midt i en sætning på engelsk, skal ofte flyttes, når ordrækkefølgen ændres på målsproget – en LLM, der omarrangerer ordene, men ikke ombrydningstagget, producerer en streng, der stadig indeholder alle tags, bare på det forkerte sted.
  • En hallucineret tilføjelse kan også overskride en tegngrænse. Ekstra, uopfordret tekst læses ikke bare mærkeligt – den kan skubbe en streng over en konfigureret tegn- eller bytegrænse, hvilket forværrer én AI-specifik fejl til en anden, layout-brydende fejl.
  • Autoværn er konfigurerbare, ikke automatiske. Hallucinationsdetektion og tag-/pladsholderkonsistenstjek skal være aktiveret for en given arbejdsgang – en rå forbindelse til en LLM uden et kvalitetskontrollag ovenpå bærer som standard den fulde risiko.

Hvilke regler forhindrer AI-genererede oversættelser i at overtræde formateringen?

  • Hallucinationsdetektion - Smartling kører automatiseret hallucinationsdetektion ved hjælp af en ikke-LLM Google-indlejringsmodel (Vertex AI), der scorer den semantiske lighed mellem en kildestreng og dens maskinoversatte output og markerer en oversættelse som en sandsynlig hallucination, når denne lighed falder for lavt.
  • Tag- og pladsholderkonsistenstjek - Smartlings kvalitetstjek inkluderer dedikerede tag- og pladsholderkonsistenstjek, der sammenligner kildestrengen med den oversatte streng og markerer et manglende, tilføjet eller omordnet tag eller en variabel, før en oversætter godkender det.
  • Kvalitetskontrol AI-korrektion - når en kontrol markerer en fejl, kan en oversætter generere en automatisk rettelse for mange fejltyper med kvalitetskontrol AI-korrektion i stedet for manuelt at flytte et tag.
  • AI-efterredigeringsagent - for maskinoversat indhold kontrollerer AI-efterredigeringsagenten outputtet i forhold til projektets konfigurerede kvalitetskontrolprofil og retter automatisk opdagede fejl, hvor det er muligt, herunder problemer med overholdelse af ordlisteregler, når denne kontrol er aktiveret.
  • Human-in-the-loop-routing - Smartlings egen vejledning til oversættelse med LLM'er anbefaler at holde et menneske i loopet for at validere og redigere maskinoversat output, og en streng markeret af hallucinationsdetektion kan dirigeres til en alternativ udbyder eller arbejdsgang i stedet for at blive offentliggjort som den er.

Hvordan forhindrer man en AI-oversættelse i at ødelægge formateringen i produktion?

De fleste teams tilføjer AI-specifikke formateringssikkerhedsforanstaltninger i samme rækkefølge, uanset hvilken LLM de sender oversættelsen igennem.

  1. Marker tags og pladsholdere som beskyttede før oversættelse - bekræft, at markup parses som beskyttede tokens, og at pladsholdersyntaksen genkendes, så LLM'en ser et token, den ikke bør røre ved, ikke den bogstavelige tekst, der skal oversættes.
  2. Aktivér hallucinationsdetektion for alle LLM-baserede MT-profiler - aktiver Smartlings semantiske lighedshallucinationstjek på enhver MT-profil, der bruger en LLM som oversættelsesmotor, ikke kun profiler, der er bygget specifikt til AI-drevet menneskelig oversættelse.
  3. Aktivér kvalitetstjek af tagkonsistens og pladsholderkonsistens – indstil begge til en alvorlighedsgrad, der blokerer godkendelse, så et hallucineret eller omordnet tag ikke som standard kan klargøres.
  4. Brug Quality Check AI Correction eller AI Post-Editing Agent til automatisk at rette markerede fejl – løs gentagne fejltyper med stort volumen uden at en oversætter manuelt skal omskrive hver markeret streng.
  5. Send uløste flag til menneskelig gennemgang før udgivelse - send strenge, der ikke klarer hallucinationsdetektion eller gentagne kvalitetskontroller, til en lingvist i stedet for at godkende dem automatisk, hvilket bevarer AI-hastigheden for størstedelen af rene strenge.

Denne tilgang passer til teams, der…

  • Send brugergrænseflade- eller marketingstrenge gennem en LLM-baseret maskinoversættelsesmotor, ikke udelukkende menneskelig oversættelse.
  • Send tegnbegrænsede brugergrænsefladestrenge — knapper, etiketter, bannere — hvor en hallucineret tilføjelse kan overfylde en container med fast bredde, ikke bare læses mærkeligt.
  • Brug for et revisionsspor, der viser, hvilke strenge der blev markeret som følge af formaterings- eller hallucinationsrisiko, og hvordan de blev løst, med henblik på compliance- eller kvalitetsrapportering.
  • Brug allerede kildekode-tunge strenge med mange tags eller pladsholdere — HTML-formateret marketingtekst, JSON med ICU-pladsholdere — hvor et forkert placeret tag ødelægger et build, ikke bare en sætning.
  • Ønsker hurtig maskinoversættelse til indhold i store mængder, men har stadig brug for et sikkerhedsnet med menneskelig gennemgang af alt, der markeres som højrisiko.

Når sikkerhedsforanstaltninger i forbindelse med AI-formatering måske ikke er den højeste prioritet

  • Teams, der udelukkende oversætter via professionel menneskelig oversættelse uden en LLM- eller rå maskinoversættelsesmotor i arbejdsgangen — hallucinationsdetektion er specifik for LLM/MT-output, ikke menneskelig gennemgang.
  • Meget lavvolumen, almindelig tekstindhold uden HTML, pladsholdere eller tegnbegrænsninger, hvor der ikke er nogen formatering til rent faktisk at afbryde en hallucination.
  • Teams sender allerede alt maskinoversat output gennem obligatorisk menneskelig efterredigering før offentliggørelse, hvor en korrekturlæser allerede ville opdage en hallucineret tilføjelse uanset automatisk detektion.

Evalueringstjekliste: spørgsmål du bør stille, før du stoler på AI-oversat formatering

Kører platformen hallucinationsdetektion på LLM-oversat output, eller kun stavekontrol?
Spørg specifikt, hvordan en hallucination detekteres — semantisk lighedsscoring i forhold til kilden er en anderledes og stærkere kontrol end en generisk flydende eller grammatisk beståelse.

Kan konsistenstjek af tags og pladsholdere konfigureres til at blokere godkendelse, ikke kun til at advare?
En advarsel, som en oversætter kan afvise, forhindrer ikke en defekt tag i at blive sendt; bekræft, at alvorlighedsgraden kan sættes højt nok til at holde strengen til gennemgang.

Kan en markeret streng rettes automatisk, eller kræver hvert flag manuel omarbejdning?
Ved volumen forvandler en platform uden automatisk korrektionsmulighed ethvert hallucinationsflag til en flaskehals.

Er temperatur- eller kreativitetsindstillingen på din LLM-profil synlig og justerbar, eller er det en sort boks?
Da en højere temperaturindstilling øger hallucinationsfrekvensen, skal du bekræfte, at du kan se og justere den, i stedet for at stole på en leverandørstandard.

Hvad sker der med en markeret streng – blokerer den jobbet, eller publiceres det alligevel med en logført advarsel?
Bekræft den faktiske fejladfærd, da en advarsel om at være logget, men afsendt, ikke giver nogen reel beskyttelse af en offentligt rettet streng.

Hvordan forhindrer Smartling AI-oversættelse i at ødelægge formateringen?

Smartling kører automatisk hallucinationsdetektion på maskinoversat output ved hjælp af en ikke-LLM Google-indlejringsmodel (Vertex AI), der scorer den semantiske lighed mellem en kildestreng og dens oversættelse og markerer sandsynlige hallucinationer til gennemgang i stedet for at lade dem offentliggøre lydløst. Denne detektion kører både for MT-integrationer og for CAT-værktøjet, når en lingvist bruger en LLM som sin maskinoversættelsesmotor. Derudover sammenligner Smartlings kvalitetskontroller – inklusive dedikerede Tag Consistency- og Placeholder Consistency-kontroller – kilde- og målstrenge direkte, og Quality Check AI Correction kan generere en automatisk rettelse af mange markerede fejltyper med et klik på en knap i stedet for at kræve en manuel omskrivning. Ved fuldt automatiserede maskinoversættelsesworkflows kontrollerer AI-efterredigeringsagenten outputtet i forhold til et projekts konfigurerede kvalitetskontrolprofil og retter automatisk fejl, hvor det er muligt, herunder overtrædelser af ordlisteoverholdelse, når denne kontrol er aktiveret. Smartlings egen dokumentation om oversættelse med GPT-klassemodeller er direkte om den underliggende risiko: en højere temperaturindstilling øger generelt hallucinationsfrekvensen, og et yderligere trin kan være nødvendigt for at holde HTML-tags og pladsholdere korrekt placeret - hvilket er grunden til, at disse kontroller kører som et strukturelt lag snarere end at afhænge af en enkelt LLM's standardadfærd.

Relaterede spørgsmål

Klar til at se Smartling i aktion?

Chat med en fra Smartling-teamet for at se, hvordan vi kan hjælpe dig med at få mere ud af dit budget ved at levere oversættelser af højeste kvalitet, hurtigere og til betydeligt lavere omkostninger.

Aftal et møde