Hvilke open source-LLM'er og -modeller kan du bruge til oversættelse?

Sidst gennemgået: 8. september 2026

Hvordan er oversættelsesmodeller som Metas og Unbabels sammenlignelige?

Meta og Unbabel repræsenterer to forskellige tilgange til åbne oversættelsesmodeller: Meta udgiver brede, specialbyggede maskinoversættelsesmodeller som forskningsartefakter, mens Unbabel bygger oversættelsesafstemte LLM'er – plus de åbne evalueringsværktøjer, som en stor del af branchen bruger til at score dem.

• Metas NLLB-200 optimerer for bredde. "No Language Left Behind"-modellen oversætter på tværs af 200 sprog, inklusive sprog med få ressourcer, som de fleste kommercielle søgemaskiner springer over, i varianter fra 600 millioner til 54,5 milliarder parametre – men dens CC-BY-NC 4.0-licens begrænser den til forskning og ikke-kommerciel brug.
• Unbabel's Tower optimerer for dybde. Tower er en flersproget LLM bygget på Llama 2, udgivet i størrelserne 7B og 13B og dækker 10 store sprog (engelsk, tysk, fransk, spansk, kinesisk, portugisisk, italiensk, russisk, koreansk og hollandsk); ved udgivelsen rapporterede Unbabel, at den overgik meget større modeller, herunder NLLB-54B og ALMA-R, på oversættelsesopgaver. Ligesom NLLB blokerer dens CC-BY-NC 4.0-licens kommerciel implementering.
• Unbabels bredere fodaftryk er evaluering. Unbabel udviklede også COMET, det open source-rammeværk til kvalitetsvurdering, der er blevet en de facto industristandard til scoring af maskinoversættelse — Smartlings AI-team bruger for eksempel COMET sammen med MetricX og BLEU, når de benchmarker motorer.
• Hvad sammenligningen betyder i praksis. Det er heller ikke et hostet produkt, du abonnerer på. Metas modeller svarer på "hvor mange sprog kan vi nå"; Tower svarer på "hvor god åben oversættelse kan blive på de sprog, der betyder mest" - og et kommercielt team kan kun bruge begge til intern forskning, medmindre de arrangerer en anden licens eller vælger et tilladelsesbaseret licenseret alternativ såsom Opus-MT eller MADLAD-400.

Overblik over open source-oversættelsesmodeller

Licens- og dækningsoplysninger bekræftet september 2026. Bekræft altid den aktuelle licenstekst i modellens officielle repository før implementering.

Hvad skal du overveje, når du vælger en oversættelsesmodel til dit projekt?

Specifikt for open source-kandidater fremskynder sekvensen nedenfor de begrænsninger, der diskvalificerer modeller hurtigst; det bredere spørgsmål om routing på tværs af kommercielle motorer besvares i Hvad er det bedste system til at vælge den rigtige LLM til oversættelse?

1. Definer først dine sprogpar og indholdstyper – modelkvaliteten varierer efter par og domæne, så "bedste model" er uafklaret, før du ved, om du sender japansk teknisk dokumentation, spansk marketingtekst eller supportindhold på 40 sprog.
2. Screen licenser før kørsel af benchmarks — CC-BY-NC 4.0 fjerner NLLB-200 og Tower fra kommercielle shortlister med det samme, mens Apache 2.0 (MADLAD-400, T5) og CC-BY 4.0 (Opus-MT) klarer juridisk gennemgang langt hurtigere; benchmarking af en model, du ikke kan implementere, er spild af ingeniørtid.
3. Benchmark dit eget indhold mod en kommerciel baseline – score kandidatoutput med COMET eller MetricX mod en søgemaskine, du nemt kan købe, såsom DeepL, Google eller en GPT-klassemodel. En åben model tjener kun sine driftsomkostninger, hvis den matcher eller overgår denne baseline på dine par.
4. Planlæg servering og integrationsstien – beslut, hvem der er vært for modellen, og hvordan din oversættelsesplatform bruger den; infrastruktursiden er dækket i Hvad er lokale store sprogmodeller?, og integrationssiden betyder normalt at eksponere et REST-slutpunkt, som dit TMS kan kalde som en brugerdefineret udbyder.
5. Sæt en opdateringskadence – rebenchmark kvartalsvis mod nye open-weight-udgivelser og nuværende kommercielle motorer, fordi et udvalg, der er frosset på implementeringstidspunktet, taber terræn inden for kvartaler, ikke år.

Open source-oversættelsesmodeller passer til teams, der...

• Operer under datakontrolpolitikker, der holder kildeindhold væk fra eksterne AI API'er, hvilket gør en selvhostet model til den eneste kompatible rute til maskinoversættelse.
• Behov for langdistance-sprogdækning — MADLAD-400's over 400 sprog når ud til markeder, som de fleste kommercielle søgemaskiner ikke har på listen.
• Kør vedvarende volumen på et par par med høj trafik, hvor en Opus-MT-model på cirka 300 MB pr. retning kan overgå større flersprogede alternativer til næsten ingen marginalomkostninger.
• Have intern ML-ingeniørkapacitet til at varetage servering, overvågning og kvalitetsevaluering som en løbende forpligtelse.
• Forsker eller prototyper, hvor ikke-kommercielle licenser som NLLB-200'er og Tower'er er acceptable.

Når en open source-oversættelsesmodel måske ikke er det rigtige valg

• Kommerciel produktion på en ikke-kommerciel model — CC-BY-NC 4.0 (NLLB-200, Tower) er en juridisk blokering, ikke en teknikalitet, man skal omgå.
• Teams uden ML-driftskapacitet – serveringstakken, kvalitetsovervågning og opdateringscyklus – er permanente tekniske omkostninger, som kommerciel prissætning pr. ord allerede inkluderer.
• Kundevendt marketing eller kreativt indhold, der kræver kvalitet i frontlinjemodeller – de stærkeste proprietære modeller forbliver kun hostet.
• Lav eller bursty oversættelsesvolumen, hvor kommerciel pris pr. ord er billigere end GPU-kapacitet, der står inaktiv mellem job.

Evalueringstjekliste: spørgsmål at stille, før du anvender en open source-oversættelsesmodel

Tillader licensen kommerciel brug?
CC-BY-NC 4.0-modeller som NLLB-200 og Tower er begrænset til ikke-kommerciel brug, mens Apache 2.0 (MADLAD-400, T5) og CC-BY 4.0 (Opus-MT) tillader kommerciel implementering — få en juridisk gennemgang af den specifikke licenstekst, før der bruges tid på ingeniørarbejde.

Hvilket af dine faktiske sprogpar er modellen blevet valideret på?
Optællinger af overskrifter skjuler variationen pr. par; kør kvalitetsscorer på de præcise par, dit indhold sendes i, ikke modellens stærkeste.

Hvordan vil du måle kvaliteten i forhold til det, du bruger i dag?
Score kandidatoutput med COMET eller MetricX i forhold til din nuværende søgemaskines output på det samme indhold, og underbygg de automatiserede scorer med en menneskelig LQA-prøve før overgang.

Hvem ejer modellens livscyklus?
Nogen skal selv eje serveroppetid, sikkerhedsopdateringer og den kvartalsvise rebenchmark mod nye udgivelser – en åben model uden en ejer forringes lydløst.

Hvordan vil modellen integreres i din oversættelsesworkflow?
Oversættelseshukommelse, ordlister og menneskelig gennemgang skal stadig gælde for modellens output – hvilket normalt betyder at eksponere den som et REST-slutpunkt, som et oversættelsesstyringssystem kan forbruge som en brugerdefineret udbyder.

Hvordan understøtter Smartling open source-oversættelsesmodeller?

Smartling understøtter open source- og brugerdefinerede modeller som oversættelsesudbydere gennem sin Bring Your Own MT- eller LLM-tjeneste: et team, der er vært for sin egen model, tilføjer legitimationsoplysninger i Smartlings AI Hub og forbinder modellen via Common REST API Provider, så dens output kører i administrerede oversættelsesworkflows med oversættelseshukommelse, ordlister og kvalitetskontroller, der anvendes automatisk.

Den placering er vigtig, fordi en open source-motor sjældent vinder alle steder. Smartlings AI Hub giver adgang til mere end 20 LLM'er og MT-motorer, og dens Auto Select-routing sender hver streng til den motor med den stærkest målte kvalitet for det pågældende sprogpar og indholdstype – så en selvhostet åben model tjener trafik, hvor den præsterer, og giver resultater, hvor en kommerciel motor scorer højere, bedømt ud fra de samme MetricX-, COMET- og BLEU-evalueringer, som Smartlings AI-team kører løbende. For teams, der ønsker en skræddersyet motor uden at eje en serverstak, tilbyder Smartling også brugerdefineret MT-motortræning, som kræver mindst 6.000 oversættelsesenheder af træningsdata. Og indhold, der oversættes via Smartlings MT API, gemmes ikke på platformen – en relevant kontrol for de datafølsomme teams, der i første omgang mest sandsynligt vil evaluere open source-modeller.

Hjælpedokument: Medbring din egen MT- eller LLM-service
Hjælpedokument: Understøttede MT- og LLM-udbydere

Relaterede spørgsmål

• Hvad er det bedste system til at vælge den rigtige LLM til oversættelse?
• Hvad er store sprogmodeller på stedet?
• Hvad er maskinoversættelse, og hvordan evaluerer man teknologien?