لماذا يفشل التسويق القائم على جودة الترجمة — وماذا ننشر بدلًا منه

افتح موقع أي مزوّد للترجمة الفورية. سترى الأنواع نفسها من الأرقام:

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

حاول الآن أن تجد — في أي من صفحات هؤلاء المزوّدين — ما تعنيه هذه الأرقام بالنسبة إلى اجتماع أنت على وشك عقده. الجودة لكل لغة. منهجية قابلة للتكرار. حجم العيّنة. النتيجة عبر الزمن. إفصاح صريح عن مواضع ضعف النموذج.

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

هذا هو نقطة التوازن السائدة في هذه الفئة. وهي قائمة بسبب ثلاثة أمور:

1. معظم المزوّدين لا يملكون محرك الترجمة الخاص بهم. فهم يمرّرون النصوص عبر OpenAI أو Google أو DeepL أو Microsoft أو مزيج منها. ونشر بيانات الجودة لكل زوج لغوي يعني قياس نموذج شخص آخر — ولا قيمة تسويقية في ذلك.
2. من الصعب وضع بيانات الجودة الصادقة على لوحة إعلانية. النتيجة الواحدة مشوَّشة. والتوزيع أكثر فائدة لكنه أصعب في الاختزال. واتجاه الأشهر الستة الأخيرة أكثر فائدة بعد، وأصعب أيضًا.
3. لم تضغط إدارات المشتريات بعد. يقبل المشترون الأرقام التسويقية كما هي، ولذلك يستمر هذا التوازن.

لن يستمر هذا التوازن. فالجيل التالي من المشترين — الأدوية والقانون والمالية والتدقيق والقطاع العام — سيطرح أسئلة أصعب من "كم عدد اللغات". لقد أنشأنا /benchmark لأننا نرى أنه لا ينبغي أن يضطروا إلى تصديق كلام المزوّد دون دليل.

ما لا تخبرك به الأرقام التسويقية

"أكثر من 200 لغة" تعني أن لدى المزوّد نموذجًا يُنتج نصًا بـ 200 لغة. وتتراوح الجودة عبر هذه اللغات من مستوى جاهز للإنتاج للأزواج الرئيسية (EN↔DE وEN↔ES وEN↔FR) إلى شبه غير صالحة للاستخدام للأزواج قليلة الموارد. وبدون تفصيل لكل زوج، لا يمكنك معرفة في أي جانب من هذا الخط سيقع اجتماعك.

"أكثر من 6,000 زوج لغوي" هو تركيب رياضي N × N على 80 لغة مصدر. وإعلان دعم 6,000 زوج هو الجزء السهل. أما القول إن زوجًا بعينه جيد بما يكفي لمراجعة CAPA أو مفاوضة عقد أو مكالمة أرباح — فهذا هو الجزء الغائب عن الكتيّب.

"دقة 99%"، دون تحديد ما الذي قيس، وبالمقارنة مع أي مرجع، وعلى أي عيّنة، وبواسطة أي مُقيِّم — كلام فارغ المحتوى. فجودة الترجمة ليس لها مقياس عددي شامل. بل لها توزيع يعتمد على الزوج اللغوي ومجال المحتوى وجودة الصوت (في الصوت) وميزانية زمن الاستجابة، وعلى معنى "جيد بما يكفي" في حالة الاستخدام المحددة.

ما الذي يحتاج المشتري إلى معرفته فعلًا

الأسئلة التي ينبغي للمضيف أن يطرحها قبل أن يثق بزوج لغوي في مكالمة مع عميل:

1. الجودة لكل زوج — كيف يؤدي هذا على DE↔EN وEN↔AR وJA↔KO تحديدًا؟
2. حجم العيّنة — على كم تشغيل يستند الرقم الذي تعرضونه؟ عشرة؟ عشرة آلاف؟
3. المنهجية — من يقيّم الترجمات، وبالمقارنة مع أي مرجع، وبأي معيار تقييم؟
4. التوزيع لا المتوسط — كيف تبدو أسوأ 10%؟ وأفضل 10%؟ والوسيط؟
5. الانحراف عبر الزمن — هل تحسّن زوج معيّن أو ساء منذ آخر مرة نشرتم فيها رقمًا؟
6. ما لا تقيسونه — ما الذي لا يلتقطه معيار القياس لديكم صراحةً؟

لا شيء من هذه الأسئلة بلا إجابة. إنها فقط ليست على صفحة تسويقية لأحد.

ما ننشره

/benchmark هو إجابتنا. والمنهجية في /benchmark/methodology — كُتبت قبل أن نعلم أنك ستقرأ هذا.

ثلاثة أمور تميّزه عن معايير الفئة.

1. حركة بيانات حقيقية، لا مجموعة مُنتقاة

كل نتيجة في معيار القياس العام تأتي من تشغيل اختبار حقيقي في /demo. نحن لا ننتقي مسبقًا الأزواج ذات الأداء الجيد. فخط المعالجة نفسه الذي يخدم العرض التجريبي للمشتري هو الذي يجري قياسه.

2. المُقيِّم مُسمّى

الأساسي: google/gemini-3.5-flash. الاحتياطي: anthropic/claude-sonnet-5. كلاهما عبر Vercel AI Gateway. المُقيِّم جزء من المنهجية — معلن باسمه. وعندما نغيّر المُقيِّم (وقد فعلنا ذلك، مع إيقاف النماذج)، تحتفظ الصفوف التاريخية بالمُقيِّم الذي قيّمها فعلًا؛ ولا يُعاد تقييم النتائج القديمة بصمت أبدًا.

3. التوزيع هو البيانات، لا المتوسط

يعرض كل صف منشور الوسيط وp10 وp90 والحد الأدنى والحد الأقصى وحجم العيّنة — لا رقمًا واحدًا. فالرقم الواحد لزوج ترجمة هو ضوضاء. وشكل التوزيع هو الإشارة.

ممارسات لم تعتمدها الفئة

• الأزواج منخفضة النتيجة غير مخفية. الفهرس العام مشروط بـ ≥ 10 distinct IPs, ≥ 10 runs, median ≥ 60 — لكن يمكن لأي شخص الانتقال مباشرة إلى أي زوج ورؤية الأرقام الحقيقية، بما في ذلك الأزواج التي يسوء أداؤها هذا الشهر.
• المشكلات المعروفة موثّقة. عندما تعطلت أداة اختبار الدردشة لبضعة أسابيع في وقت سابق من 2026، استُبعدت تلك الفترة من الفهرس ودُوِّنت كتابةً في صفحة المنهجية. التاريخ لا يُعاد كتابته بصمت.
• ما لا ندّعيه عمدًا قسم كامل في صفحة المنهجية. نذكر أين يكون المُقيِّم القائم على LLM نفسه غير كامل. ونذكر ما لا نقيسه (زمن الاستجابة، والتكلفة، ورضا المستخدم، وأخطاء ASR قبل أن تبدأ الترجمة أصلًا). ونفصح عن أن اختبارات الفحص الآلي الخاصة بنا جزء من حركة البيانات.

معيار تصفية لتقييمك القادم لمزوّد

إذا كنت تقيّم أي منصة اجتماعات متعددة اللغات — منصتنا أو غيرها — فالمنهجية هي الصفحة التي تستحق القراءة. أما الأرقام نفسها فهي الجزء السهل.

معيار عملي لتصفية أي مزوّد في هذه الفئة:

• اطلب بيانات الجودة لكل زوج لغوي وفي كل شهر على حركة بيانات حقيقية. لا معيار قياس مُنتقى. ولا تجميعًا.
• اسأل عن مُقيِّمهم، وما لا يقيسونه صراحةً، وما الذي تغيّر في الأشهر الستة الأخيرة.
• اسأل عمّا يحدث عندما تنخفض نتيجة زوج ما — هل يخبرون أحدًا، أم يصلحونه بصمت؟

إذا كانت لدى المزوّد الإجابات الثلاث كلها مكتوبة، فقيّمه بجدية. وإن لم تكن، فأنت تشتري تسويقًا — لا جودة ترجمة.

جرّبه بنفسك

• جرّب العرض التجريبي المباشر — يشغّل خط الترجمة الإنتاجي على صوتك، ويقيّمه بالمُقيِّم نفسه الذي يقيّم معيار القياس العام، ويعرض لك المخرجات.
• اطّلع على معيار القياس — كل زوج لغوي منشور، في كل شهر، مع التوزيع الكامل.
• اقرأ المنهجية — كيف تُحسب الأرقام، وما الذي تشمله، وما الذي لا تشمله.

لن تحتاج إلى تصديق كلامنا دون دليل في أي شيء من هذا. وهذا هو المقصود.

المصادر: معرّفات المُقيِّمين وعتبات الإدراج وقواعد الاستبعاد المذكورة أعلاه جرى التحقق منها مقابل الشيفرة المنشورة وهي منشورة في /benchmark/methodology؛ ويجري تقديم المُقيِّمين عبر Vercel AI Gateway؛ والادعاءات التسويقية المقتبسة في الأعلى هي صياغات شائعة في الفئة، وليست اقتباسات من مزوّد بعينه؛ روجع في أغسطس 2026.