Vad vi lärde oss på EAMT 2026

I år fick tre medlemmar i vårt team uppsatser accepterade vid EAMT, den årliga konferensen European Association for Machine Translation som samlar forskare, praktiker och branschpersonal för att dela kunskap och diskutera läget på området. Mellan att presentera vårt eget arbete och delta i sessioner över hela programmet kom vi iväg med en ganska tydlig bild av var MT-forskningen står 2026, och var den fortfarande har en lång väg att gå.

Marina Sánchez Torrón, Ph.D., Senior Linguistic Engineer på Smartling, tar scenen vid EAMT 2026.

Här är våra största takeaways:

Debatten om LLM är över. Nu kommer den svåra delen.

Ingen på EAMT frågade om man skulle använda LLM för översättning längre. Den frågan är avgjord. Konversationen har helt skiftat till hur man distribuerar dem väl, och det är där saker blir intressanta.

En av de starkaste signalerna från konferensen är att fristående LLM sällan räcker för produktionsmiljöer. Den framväxande arkitekturen är inte " LLM istället för översättningsminne. " Det är LLM plus översättningsminne plus hämtning. Översättningsminnen går ingenstans. De återanvänds som kuraterade och kontrollerade kunskapskällor som injicerar företagsspecifik språklig kunskap direkt i LLM-arbetsflöden. Rena TM:er av hög kvalitet är alltmer skillnaden, oavsett om du finjusterar eller bygger en RAG-arkitektur.

Översättningsmetoder för flera agenter fick viss uppmärksamhet, men det ärliga är att de fortfarande är experimentella. Juryn är ute om generationen i kommittéstil är produktionsklar när som helst snart.

Terminologi och stil: framsteg, men inte löst

Om det fanns ett tema som sträckte sig över nästan varje session var det detta: att översätta allmänt språk är till stor del enkelt. Att konsekvent översätta specialiserat innehåll är det inte.

Terminologihantering är fortfarande en av de viktigaste olösta produktionsutmaningarna inom området. En stor del av det tekniska programmet fokuserade på terminologiöversättning, biomedicinskt innehåll, juridisk översättning och domänspecifik anpassning, och frustrationen var påtaglig. Stilguidens efterlevnad kom upp om och om igen som en gemensam smärtpunkt, utan att någon påstod sig ha knäckt den.

Forskare visade att LLM har tydliga, mätbara stilistiska fingeravtryck jämfört med mänskliga översättare: högre lexikal densitet, mer sofistikerat ordförråd, en tendens att överanvända streck och underanvända ellipser och distinkta meningslängdsmönster. Försök att få LLM att imitera specifika litterära översättare föll mestadels platt, med modellfamiljeeffekter (GPT vs. Claude) starkare än stilen som uppmanade sig själv.

En viktig slutsats: LLM har gjort stil mätbar, men de har inte löst det. Mänskliga översättare förblir i ett tydligt distinkt stilistiskt utrymme som moderna modeller kan närma sig men inte helt nå. AI-efterredigering kan förbättra stil- och terminologiefterlevnaden, men modeller överredigerar ofta och mänsklig feedback är fortfarande avgörande för att få utdata där de behöver vara.

Finjustering spelar fortfarande roll

För inte så länge sedan fanns det mycket entusiasm för tanken att uppmaning skulle ersätta modellanpassning. Konferensbevisen stöder inte detta. Flera artiklar visade tydliga fördelar med domänspecifik finjustering inom juridiska, biomedicinska, litterära och tekniska domäner. En LoRA-anpassad EuroLLM-22b överträffade Claude Sonnet nollskott när det gäller översättning av EU-lagstiftning.

Den bredare punkten: för användningsfall där terminologiprecision, stilkrav eller regleringsbegränsningar är kritiska, är specialiserad anpassning fortfarande värdefull. Uppmaning och hämtning blir allt viktigare verktyg, men de ersätter inte domänexpertis inbakad i en modell.

Uppmaning har mer nyans än de flesta antar

Vår uppsats om manuell kontra automatiserad snabb optimering (dSpy och GEPA) genererade mycket nyfikenhet vid vår affischsession. De flesta deltagare hade inte hört talas om GEPA, och många såg omedelbart dess relevans för sina egna skalningsutmaningar. Samtalet slutade inte vid timmarkering och vi var där genom kaffepausen. Slator rapporterade om Smartlings forskning, no terar att automatiserad optimering minskade klyftan med expertutmaningar om terminologi och översättning, medan expertbedömning fortfarande ledde till LQA-feldetektering.

Mer allmänt förstärkte konferensen att snabb design inte är ett löst problem. Struktur betyder mer än språk: en fullständig roll + sammanhang + publik + målprompt minskade konsekvent stilfel i studier. Målspråkliga uppmaningar föredrogs av expertlingvister framför källspråkutmanvisningar. Och automatiserad optimering vinner inte alltid; det beror starkt på uppgiften.

Språk med låga resurser är fortfarande den svåraste gränsen

Trots betydande framsteg i språkpar med hög resurs är lågresurs- och minoritetsspråk fortfarande ett svårt, i stort sett olöst problem. LLM blandar fortfarande minoritetssorter med dominerande standarder, med valencianska som kollapsar till standardkatalanska som ett exempel som kom upp. Syntetisk parallell datagenerering och RAG-baserad kunskapsdestillation är de mest lovande metoderna, men nya datamängder för språk med underresurser är fortfarande knappa.

NMT är inte död i detta utrymme heller. För datarika institutionella sammanhang kan specialiserade modeller fortfarande vinna, främst för att de har tillgång till massiva, domänspecifika utbildningsdata som gör investeringen värd.

Utvärdering är flaskhalsen som diskuteras

Generering av översättningar har blivit ett enklare problem att lösa. Att på ett tillförlitligt sätt definiera och mäta deras kvalitet är där fältet fastnar.

Traditionella mätvärden som BLEU och TER är alltmer otillräckliga för verkliga användningsfall. Ett fel könsval kan knappt påverka TER men vara ett kritiskt fel i sammanhanget. Automatiserade mätvärden, inklusive traditionella mätvärden och LLM-as-a-Judge-metoder, misslyckas fortfarande med att på ett tillförlitligt sätt fånga kvaliteten på dokumentnivå. Och som en presentatör uttryckte det: utan bättre utvärdering riskerar branschen att optimera i fel riktning.

Intern driftsättning blir en verklig prioritet

Ett annat stort tema var den växande strategiska betydelsen av interna och lokala LLMs. Regeringens, juridiska, parlamentariska och företagens arbetsflöden kan ofta helt enkelt inte skicka känsligt innehåll till externa API:er. Krav på datalägenhet är verkliga, och de försvinner inte.

Detta skapar en verklig marknad för mindre, distribuerbara lokalt specialiserade modeller, inte för att de nödvändigtvis är bättre än gränssystem i rå kvalitet, utan för att de är kontrollerbara. Driftbarhet, stöd för ordlistor, hantering av stilguider, integration av översättningsminne och en trovärdig säkerhetshistoria är verkliga skillnader för ett stort segment av marknaden.

Vad vi tar tillbaka med oss

EAMT 2026 bekräftade något vi känner ganska starkt för på Smartling: framtiden för produktionsöversättning är inte bara bättre modeller. Det är kontrollerbar, granskbar, domänspecifik och säker översättningsinfrastruktur byggd ovanpå starka LLM, grundad med hämtnings- och översättningsminne, anpassad till specifika domäner och förfinad av människor för innehåll med höga insatser. Vi är också på rätt väg när det gäller att arbeta med de öppna problemen, inklusive utvärdering, terminologi, stil och språk med låga resurser.

Vi är tacksamma för EAMT för att skapa utrymme för dessa samtal, och till forskarna och utövarna som delade sitt arbete så öppet. Vi ses nästa år.

Frågor om vår forskning eller hur Smartling närmar sig dessa utmaningar? Kontakta oss.