一份英译中的本地化基准测试，最近在外贸圈里被转得不少。很多人第一反应是看谁排第一、国产模型和西方模型谁更强。这种读法容易走偏。真正值得外贸团队拿走的，不是一张排行榜，而是一套分流的思路：哪些内容可以放手给 AI，哪些必须留人，以及选型时到底该拿什么做比较。
先把这份测试的边界说清楚，再谈怎么用。
这份测试到底测了什么
这项研究由 EC Innovations 与 Jademond Digital 联合开展，两家公司本身都在卖与所评测做法相关的服务。这一点不影响它有价值，但读结论时要留个心眼——研究方在自证一个它参与的市场。
测试规模是 774 份本地化产出，覆盖 6 种内容类型、7 类工作流模式、3 种任务类型。评分按准确性、流畅度、风格与文化适配三个维度，各占三分之一，由中文母语的专业本地化人员盲评。
三个限定词很关键：英译中、中文母语者评分、只评本地化质量。外贸团队日常面对的往往是从中文或英文出发，落到德语、西语、阿拉伯语。方法可以借，分数不能直接搬过去排座次。
按内容类型分流，而不是按“AI 行不行”分流
“AI 翻译到底行不行”这个问题问得太粗。同一份测试里，不同内容类型的结论并不一致。
SEO 内容上，人工得 74.1 分排第一，比最好的 AI 工作流高 2.8 分。这个差距存在，但不大——意味着在这类重精确度的内容上，人工仍有领先，只是领先幅度已经不支持“非人不可”的绝对判断。资讯类内容也属于这一档：人工占优，差距有限。
营销、UI、技术、社交这几类，人工未必占优。营销内容尤其需要盯住一个细节：AI 初稿容易把语气改得过于书面，原文里那种直接、口语、带点锐度的表达，很容易被磨平。这类内容不是不能用 AI，而是用完之后要专门检查语气，而不是只检查有没有错译。
所以决策顺序应该是：先问这段内容属于哪一类，再问这类内容上人工和机器的历史表现差多少，最后才决定谁来主导。反过来做——先定了工具，再想它能干什么——就会把不该交出去的内容也交出去。
别按“国产”“西方”这类标签选型
测试里有个数字很容易被误读：未经编辑的中国 LLM 平均分和西方 LLM 平均分都是 60.7。
这个“中国 LLM：60.7”是 Qwen、Doubao、DeepSeek、Kimi 四个模型的简单平均。而同样这四个模型，在技术内容上的分差达到 22.3 分，在 SEO 内容上是 9.2 分。
22.3 分是什么概念？它比人工和最好的 AI 工作流在 SEO 上的差距（2.8 分）大出不少。也就是说，同一类别内部的差异，可能大于类别之间的平均差异。拿“国产大模型”“西方 LLM”这种标签去做选型，容易用一个是被平均掉的数字，掩盖具体模型之间的差别。
实际要对比的是具体模型，而且要落到具体内容类型上比。一个模型在技术内容上表现好，不代表它在营销内容上也行。选型表应该按“模型 × 内容类型”来填，而不是按“厂商 × 总分”来填。
译后编辑不是默认加分项
很多团队的默认流程是：AI 出初稿，人再过一遍。听起来稳妥，但这份测试提示，译后编辑本身是一个需要单独验证的变量，不是无条件的加分动作。
用户生成内容上，对 Google 翻译输出做一遍译后编辑，从 33.3 分升到 63.9 分，提升非常明显。但在营销内容上，对西方 LLM 初稿做译后编辑，类别层面是 −0.9 分——负收益。
同一个动作，在不同内容类型上方向相反。原因不难理解：用户生成内容原本质量低，人一改就往好走；营销内容如果初稿的语气本来是对的，人工编辑反而可能把它改得更书面、更“安全”，丢掉了原有的锋利。
所以译后编辑要按内容类型分别测，而不是全站统一规定“必须人工过一遍”。测的方法是：同一批内容，比较“AI 初稿”和“AI 初稿 + 人工编辑”两组评分，看差值是正还是负。负收益的内容类型，就该考虑减少人工介入，或者换一种编辑方式。
翻译质量不等于搜索表现
这份测试只衡量本地化质量，没有收集任何排名、流量、转化数据。这一点必须说透，否则很容易把“翻译分高”直接等同于“能带来询盘”。
公开证据里，Portent 爬取了 756,297 个有排名页面，未发现可读性与 Google 排名位置之间存在相关性。这至少说明，内容读起来顺不顺，和它能不能排上去，不是一回事。
对多语种站点来说，还有两个问题需要另行验证：关键词在目标语言里是否真的有人搜，以及多语种页面能否被正常收录。这两件事和翻译质量是独立的，不能靠翻译评分来回答。
你可以马上做的一次检查
不用等下一份报告，也不用换工具。挑出你站点上最近上线的 20 个多语种页面，按内容类型分成 SEO、营销、UI、技术、社交、用户生成这几堆，每堆里再标一下：这篇是 AI 直接出的、AI 出加人工编辑的、还是人工主导的。
然后只问一个问题：这一堆里，人工主导的那几篇，和 AI 主导的那几篇，在客户反馈或询盘上有没有可感知的差别？如果没有，说明这一堆可以更多地交给 AI；如果有，就保留人工。
这个动作不需要额外预算。它做的是把你自己的页面表现，和那份测试的结论对上一次——测试提供的是参考，你自己的页面提供的是实际反馈。