لماذا يُعد تسويق جودة الترجمة معطوباً — وما الذي ننشره بدلاً من ذلك

افتح موقع أي مزود لخدمات الترجمة المباشرة. سترى نفس أنواع الأرقام:

• "أكثر من 200 لغة"
• "أكثر من 6,000 زوج لغوي"
• "الأول عالمياً" / "أعلى دقة"
• "دقة 99%"

الآن حاول أن تجد — في أي من صفحات تلك المزودين — ماذا تعنيه تلك الأرقام لاجتماع تعتزم عقده. جودة كل لغة على حدة. منهجية قابلة للتكرار. حجم العينة. النتيجة على مدار الوقت. إفصاح صادق عن نقاط ضعف النموذج.

لن تجدها. لا في النصوص التسويقية، ونادراً في الوثائق.

هذا هو وضع التوازن السائد في هذه الفئة. وهو قائم لثلاثة أسباب:

1. معظم المزودين لا يملكون محرك الترجمة الخاص بهم. يقومون بالتوجيه عبر OpenAI أو Google أو DeepL أو Microsoft، أو مزيج منها. إن نشر بيانات الجودة لكل زوج لغوي يعني قياس أداء نموذج يعود لشخص آخر — ولا قيمة تسويقية في ذلك.
2. بيانات الجودة الصادقة يصعب وضعها على لوحة إعلانية. الدرجة الفردية تنطوي على تشويش. التوزيع أكثر فائدة ولكنه يصعب اختصاره. واتجاه آخر ستة أشهر أكثر فائدة، وأصعب اختصاراً.
3. إدارات المشتريات لم تعترض بعد. يتقبل المشترون الأرقام التسويقية كما هي، وبالتالي يظل التوازن قائماً.

لن يستمر هذا التوازن. الفئة القادمة من المشترون — قطاع الأدوية، الشؤون القانونية، القطاع المالي، التدقيق، القطاع العام — ستطرح أسئلة أصعب من "كم عدد اللغات". لقد بنينا /benchmark لأننا نعتقد أنه لا ينبغي عليهم الاكتفاء بكلام المزود كمسلمة.

ما لا تخبرك به الأرقام التسويقية

"أكثر من 200 لغة" تعني أن المزود يمتلك نموذجاً يولد نصاً بـ 200 لغة. تتراوح الجودة عبر تلك اللغات من مستوى جاهز للإنتاج للأزواج الرئيسية (EN↔DE, EN↔ES, EN↔FR) إلى بالكاد قابلة للاستخدام للأزواج منخفضة الموارد. بدون تفصيل لكل زوج على حدة، لا يمكنك معرفة على أي جانب من تلك الخطوط سيقع اجتماعك.

"أكثر من 6,000 زوج لغوي" هي تركيبات N × N على 80 لغة مصدر. القول بأنك تدعم 6,000 زوج هو الجزء السهل. القول بأن أي زوج محدد جيد بما يكفي لمراجعة CAPA، أو مفاوضات عقود، أو مكالمة أرباح — هذا هو الجزء غير الموجود في الكتيب.

"دقة 99%"، دون تحديد ما تم قياسه، وبأي مرجع، وعلى أي عينة، وبواسطة أي حَكَم — هي عبارة خالية من المحتوى. لا تمتلك جودة الترجمة مقياساً عالمياً موحداً. بل لها توزيع يعتمد على الزوج اللغوي، ومجال المحتوى، وجودة الصوت (للصوتيات)، وميزانية زمن الاستجابة، وما يعنيه "جيد بما يكفي" لحالة الاستخدام المحددة.

ما يحتاج المشترون معرفته فعلياً

الأسئلة التي تظهر في مراجعات DPA الفعلية وتقييمات المشتريات:

1. جودة كل زوج — كيف يعمل هذا على DE↔EN، EN↔AR، JA↔KO، على وجه التحديد؟
2. حجم العينة — على كم تشغيلاً يعتمد رقمك المذكور؟ عشرة؟ عشرة آلاف؟
3. المنهجية — من يحكم على الترجمات، وبأي مرجع، وبأي معيار؟
4. التوزيع، وليس المتوسط — كيف يبدو أسوأ سيناريو بنسبة 10%؟ أفضل 10%؟ الوسيط؟
5. الانحراف عبر الزمن — هل تحسن زوج معين أم ساء منذ آخر مرة نشرت فيها رقماً؟
6. ما لا تقيسه — ما الذي لا يلتقطه المعيار القياسي الخاص بك صراحةً؟

ليس أي منها سؤالاً لا يمكن الإجابة عليه. إنها ببساطة ليست موجودة على الصفحة التسويقية لأي مزود.

ماذا ننشر

/benchmark هو جوابنا. المنهجية موجودة على /benchmark/methodology — كُتبت قبل أن نعرف أنك ستقرأ هذا.

ثلاثة أشياء تميزه عن معايير الفئة.

1. حركة مرور فعلية، وليست مجموعة منسقة

كل نتيجة في المعيار القياسي العام تأتي من تشغيل اختبار /demo حقيقي. نحن لا نختار مسبقاً الأزواج التي تؤدي أداءً جيداً. نفس الخط الذي يخدم العرض التجريبي للمشتري هو الذي يتم قياسه.

2. الحَكَم معروف بالاسم

الرئيسي: google/gemini-3.5-flash. الاحتياطي: anthropic/claude-sonnet-5. كلاهما عبر Vercel AI Gateway. الحَكَم هو جزء من المنهجية — مُفصح عنه بالاسم. عندما نغير الحَكَم (وقد فعلنا ذلك، مع تقاعد النماذج)، تحمل الصفوف التاريخية الحَكَم الذي قام بتقييمها فعلياً؛ ولا يتم إعادة تقييم النتائج القديمة بصمت.

3. التوزيع هو البيانات، وليس المتوسط

كل صف منشور يظهر الوسيط، p10، p90، الحد الأدنى، الحد الأقصى، وحجم العينة — وليس رقماً واحداً. الرقم الواحد للزوج اللغوي يعتبر تشويشاً. شكل التوزيع هو الإشارة.

ممارسات لم تتبناها الفئة بعد

• الأزواج منخفضة النتيجة ليست مخفية. الفهرس العام مقيّد بـ ≥ 10 عناوين IP متميزة، ≥ 10 تشغيلات، وسيط ≥ 60 — ولكن يمكن لأي شخص إنشاء رابط مباشر لأي زوج ومشاهدة الأرقام الحقيقية، بما في ذلك الأزواج التي تسجل أداءً ضعيفاً هذا الشهر.
• المشكلات المعروفة موثقة. عندما كان اختبار الدردشة معطوباً لعدة أسابيع في أوائل 2026، تم استبعاد تلك الفترة من الفهرس وأُشير إليها كتابياً في صفحة المنهجية. لا تتم إعادة كتابة التاريخ بصمت.
• ما لا ندّعيه عمداً هو قسم كامل في صفحة المنهجية. نوضح أين يكون حَكَم LLM نفسه غير مثالي. نذكر ما لا نقيسه (زمن الاستجابة، التكلفة، رضا المستخدم، أخطاء جانب ASR قبل تشغيل الترجمة). نفصح عن أن اختبارات الدخان الآلية الخاصة بنا هي جزء من حركة المرور.

فلتر لتقييم المزود التالي

إذا كنت تقوم بتقييم أي منصة اجتماعات متعددة اللغات — سواء كانت لنا أو لغيرنا — فإن صفحة المنهجية هي الصفحة التي تستحق القراءة. الأرقام نفسها هي الجزء السهل.

فلتر عملي لأي مزود في هذه الفئة:

• اطلب بيانات الجودة لكل زوج لغوي، لكل شهر على حركة مرور فعلية. وليس معياراً منسقاً. وليس تجميعاً.
• اسأل عن ماهية حَكَمهم، وما لا يقيسونه صراحةً، وما الذي تغير في آخر ستة أشهر.
• اسأل عما يحدث عندما تنخفض نتيجة أحد الأزواج — هل يخبرون أحداً بذلك، أم يقومون بإصلاحه بصمت؟

إذا كان لدى المزود إجابات على الأسئلة الثلاثة كتابةً، فقم بتقييمهم بجدية. إذا لم يكن كذلك، فأنت تشتري تسويقاً — وليس جودة ترجمة.

جرّبه بنفسك

• جرّب العرض المباشر — يشغل خط إنتاج الترجمة الفعلي على صوتك، ويسجل نتيجته مقارنة بنفس الحَكَم الذي يسجل نتائج المعيار القياسي العام، ويعرض لك المخرجات.
• شاهد المعيار القياسي — كل زوج لغوي منشور، كل شهر، مع التوزيع الكامل.
• اقرأ المنهجية — كيف يتم حساب الأرقام، وما تتضمنه، وما لا تتضمنه.

لن تحتاج إلى أخذ كلمتنا كمسلمة في أي من ذلك. هذه هي الفكرة.

المصادر: تم التحقق من معرفات الحَكَم، وحدود التقييد، وقواعد الاستبعاد المذكورة أعلاه مقابل الكود المشحون ونُشرت في /benchmark/methodology؛ يتم تقديم الحكام عبر Vercel AI Gateway؛ الادعاءات التسويقية المقتبسة في الأعلى هي صياغات نمطية للفئة، وليست اقتباسات لمزود محدد باسمه؛ تم التحقق في أغسطس 2026.