11款大模型中译英能力全方位横评：学术论文翻译与LaTeX排版实战对比
由于导师认为我的论文中文稿已基本完善，我开始着手将其翻译成英文。但自身英语水平有限，决定直接让大模型处理LaTeX源文件完成翻译。我使用了如下提示词：
# Role作为一位兼具顶尖科研写作专家与资深会议审稿人（ICML/ICLR 等）双重身份的助手。学术品味极高，对逻辑漏洞和语言瑕疵零容忍。
# Task处理来自@E:/paper_cn_final/ 里面的中文论文初稿，将其翻译并润色为完整的英文论文。
# Constraints1. 视觉与排版： - 尽量不要使用加粗、斜体或引号，这会影响论文观感。 - 尽可能与原论文源码保持一致，不要自作主张添加无意义的格式修饰。
2. 风格与逻辑： - 要求逻辑严谨，用词准确，表达凝练连贯，尽量使用常见的单词，避免生僻词。 - 尽量不要使用破折号（—），推荐使用从句或同位语替代。 - 尽可能少地使用\item列表，必须使用连贯的段落表达。 - 去除“AI味”，行文自然流畅，避免机械的连接词堆砌。 - 术语前后保持一致。 - 与中文原稿的表述严格一致，不允许擅自更改叙事与逻辑。 - 如果遇到不理解的中文名词或表述，去看项目的源码理解并固定翻译。
3. 时态规范： - 统一使用一般现在时描述方法、架构和实验结论。 - 仅在明确提及特定历史事件时使用过去时。
4. 输出格式： - Part 1 [LaTeX]：只输出翻译成英文后的内容本身（LaTeX 格式）。 * 语言要求：必须是全英文。 * 特别注意：必须对特殊字符进行转义（例如：将 `95%` 转义为 `95\%`，`model_v1` 转义为 `model\_v1`，`R&D` 转义为 `R\&D`）。 * 保持数学公式原样（保留 $ 符号）。 - Part 2 [Translation]：对应的中文直译（用于核对逻辑是否符合原意）。 - 除以上两部分外，不要输出任何多余的对话或解释。
# Execution Protocol在输出最终结果前，请务必开个子代理（subagent）进行自我审查：1. 审稿人视角：假设你是最挑剔的 Reviewer，检查是否存在过度排版、逻辑跳跃或未翻译的中文。2. 立即纠正：针对发现的问题进行修改，确保最终输出的内容严谨、纯净且完全英文化。3. 查看与中文原稿的表述是否严格一致，不允许擅自更改叙事与逻辑。
测评模型列表
本次共选取了11个当前最新的大模型进行文献翻译，具体为：gpt-5.5、claude-opus-4.8、Doubao-Seed-2.0-Code、deepseek-v4-pro、deepseek-v4-flash、Gemini-3.5-flash、GLM-5.1、kimi-k2.5、mimo-v2.5pro、minimax-m3、qwen-3.7max。
评分规则：
- 裁判模型为gpt-5.5。
- 每个模型的翻译结果均独立评分三次，取平均值作为最终成绩。
实验环境：
- 主要的代码助手采用了snow cli的ultra todo模式；只有Doubao-Seed-2.0-Code在trea中运行。
- 除豆包以外，其余模型均通过能保证满血的API接入snow调用。
- 凡可设置推理强度的，均调至最高。
测试结果（含LaTeX编译符合度评分）：
由于任务要求不仅翻译质量要高，还必须正确使用LaTeX语法，输出能直接编译的源码，因此测评维度同时涵盖翻译质量和LaTeX使用能力。
总分排名
| 排名 | 模型 | 第1次 | 第2次 | 第3次 | 平均分 / 92 |
|---|---|---|---|---|---|
| 1 | deepseek-v4-pro | 80 | 80 | 80 | 80.00 |
| 2 | claude-opus4.8 | 79 | 80 | 79 | 79.33 |
| 3 | mimo-v2.5pro | 80 | 79 | 78 | 79.00 |
| 4 | deepseek-v4-flash | 77 | 79 | 80 | 78.67 |
| 5 | minimax-m3 | 79 | 78 | 78 | 78.33 |
| 6 | qwen-3.7-max | 78 | 79 | 77 | 78.00 |
| 7 | gpt5.5 | 79 | 77 | 76 | 77.33 |
| 8 | glm-5.1 | 76 | 78 | 73 | 75.67 |
| 9 | gemini-3.5flash | 76 | 74 | 76 | 75.33 |
| 10 | kimi-k2.6 | 77 | 76 | 71 | 74.67 |
| 11 | doubao-2.0-code | 61 | 71 | 65 | 65.67 |
各能力维度平均分
| 模型 | 平均总分 / 92 | 内容忠实与逻辑一致 /25 | 术语准确与一致 /18 | 英文准确与简洁 /17 | 学术风格与自然度 /12 | 时态与论文叙述 /8 | LaTeX与源码一致 /12 |
|---|---|---|---|---|---|---|---|
| deepseek-v4-pro | 80.00 | 23.00 | 15.00 | 14.00 | 10.00 | 8.00 | 10.00 |
| claude-opus4.8 | 79.33 | 23.00 | 15.00 | 14.00 | 10.00 | 7.67 | 9.67 |
| mimo-v2.5pro | 79.00 | 22.33 | 14.67 | 14.00 | 10.00 | 8.00 | 10.00 |
| deepseek-v4-flash | 78.67 | 23.00 | 15.00 | 14.33 | 10.00 | 7.33 | 9.00 |
| minimax-m3 | 78.33 | 23.00 | 15.00 | 14.00 | 10.00 | 7.33 | 9.00 |
| qwen-3.7-max | 78.00 | 21.67 | 14.00 | 14.33 | 10.00 | 8.00 | 10.00 |
| gpt5.5 | 77.33 | 21.33 | 15.00 | 14.00 | 10.00 | 7.67 | 9.33 |
| glm-5.1 | 75.67 | 21.33 | 14.33 | 13.67 | 9.67 | 7.67 | 9.00 |
| gemini-3.5flash | 75.33 | 21.33 | 14.00 | 13.00 | 9.00 | 7.67 | 10.33 |
| kimi-k2.6 | 74.67 | 22.33 | 14.00 | 13.00 | 9.00 | 8.00 | 10.00 |
| doubao-2.0-code | 65.67 | 16.33 | 14.00 | 12.33 | 8.33 | 7.33 | 7.33 |
多数结果与大家普遍认知吻合：DeepSeek和Claude的语言能力依旧十分强劲。但DeepSeek成本极低，整篇论文翻译仅需几毛钱。豆包的能力明显偏低，可能源于模型自身限制或工具链影响。较为意外的是mimo和minimax跻身前列，部分国产模型甚至排在gpt之前，不过gpt5.5自身也调整了输出风格，或许不算奇怪。除末尾几名外，前几位得分其实相当接近，T1梯队基本由DeepSeek、Claude和Mimo组成。
为了更清晰地观察纯翻译能力，我们剔除了LaTeX相关维度，对纯文本翻译效果进行再排名：
总分排名（不含LaTeX）
| 排名 | 模型 | 第1次 | 第2次 | 第3次 | 平均分 / 80 | 排名变化 |
|---|---|---|---|---|---|---|
| 1 | deepseek-v4-pro | 70 | 70 | 70 | 70.00 | — |
| 2 | claude-opus4.8 | 69 | 70 | 70 | 69.67 | — |
| 3 | deepseek-v4-flash | 69 | 69 | 71 | 69.67 | ↑1 |
| 4 | minimax-m3 | 70 | 69 | 69 | 69.33 | ↑1 |
| 5 | mimo-v2.5pro | 70 | 69 | 68 | 69.00 | ↓2 |
| 6 | gpt5.5 | 69 | 68 | 67 | 68.00 | ↑1 |
| 7 | qwen-3.7-max | 68 | 69 | 67 | 68.00 | ↓1 |
| 8 | glm-5.1 | 67 | 68 | 65 | 66.67 | — |
| 9 | gemini-3.5flash | 65 | 64 | 66 | 65.00 | — |
| 10 | kimi-k2.6 | 67 | 66 | 61 | 64.67 | — |
| 11 | doubao-2.0-code | 56 | 62 | 57 | 58.33 | — |
各能力维度平均分（翻译项）
| 模型 | 平均总分 / 80 | 内容忠实与逻辑一致 /25 | 术语准确与一致 /18 | 英文准确与简洁 /17 | 学术风格与自然度 /12 | 时态与论文叙述 /8 |
|---|---|---|---|---|---|---|
| deepseek-v4-pro | 70.00 | 23.00 | 15.00 | 14.00 | 10.00 | 8.00 |
| claude-opus4.8 | 69.67 | 23.00 | 15.00 | 14.00 | 10.00 | 7.67 |
| deepseek-v4-flash | 69.67 | 23.00 | 15.00 | 14.33 | 10.00 | 7.33 |
| minimax-m3 | 69.33 | 23.00 | 15.00 | 14.00 | 10.00 | 7.33 |
| mimo-v2.5pro | 69.00 | 22.33 | 14.67 | 14.00 | 10.00 | 8.00 |
| gpt5.5 | 68.00 | 21.33 | 15.00 | 14.00 | 10.00 | 7.67 |
| qwen-3.7-max | 68.00 | 21.67 | 14.00 | 14.33 | 10.00 | 8.00 |
| glm-5.1 | 66.67 | 21.33 | 14.33 | 13.67 | 9.67 | 7.67 |
| gemini-3.5flash | 65.00 | 21.33 | 14.00 | 13.00 | 9.00 | 7.67 |
| kimi-k2.6 | 64.67 | 22.33 | 14.00 | 13.00 | 9.00 | 8.00 |
| doubao-2.0-code | 58.33 | 16.33 | 14.00 | 12.33 | 8.33 | 7.33 |
若您可自行调整LaTeX格式，或仅关注翻译水平，那么这份纯翻译排名更能反映模型真实的语言驾驭能力。
写在最后
在测试过程中，kimi和minimax均出现过几次死循环，不过我还是给予了重新生成的机会，这或许对其他模型稍有不利；严格来说，出现死循环时可以给零分，但本次测试的核心仍是翻译，所以还是希望它们能给出完整结果。
如果条件允许，让每个模型翻译多次并让多位裁判评分会更加严谨，不过受精力所限，目前只能呈现这样一个相对简易的对比。因此本次结果更多是提供一个轻松参考，也希望能对有类似需求的读者有所帮助。