11款大模型论文翻译测评：DeepSeek V4 Pro夺冠

背景

近期，关于“目前哪款大模型最适合撰写英语文章”的讨论持续升温。一位用户因自身英语水平有限，在导师确认其中文论文初稿无误后，决定利用大模型直接处理 LaTeX 文件包，将中文论文翻译为英文。

为了寻找最佳工具，该用户发起了一项非严谨但具有参考价值的横向测评，邀请了 11 款当前主流或最新的大模型参与“中译英”能力的比拼。测试不仅关注语言翻译质量，还特别要求模型能够正确编写和编译 LaTeX 代码，从而间接考察了模型在学术写作场景下的综合编程与排版能力。

核心内容

本次测评由 GPT-5.5 担任“裁判”，对 11 位参赛选手的翻译结果进行三次独立打分并取平均值。测试环境主要基于 snow cli 工具（采用 ultra todo 模式），其中 Doubao-Seed-2.0-Code 在 trea 环境中运行。所有支持设置推理强度的模型均被设为最高档位。

参赛模型名单： 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（注：正文表格中显示为 K2.6，此处以正文数据为准）、Mimo-V2.5Pro、MiniMax-M3、Qwen-3.7-Max。

测评维度与评分标准： 总分满分 92 分，涵盖以下六个维度：

1. 内容忠实与逻辑一致（25分）
2. 术语准确与一致（18分）
3. 英文准确与简洁（17分）
4. 学术风格与自然度（12分）
5. 时态与论文叙述（8分）
6. LaTeX 与源码一致（12分）

综合排名结果（含 LaTeX 编译能力）：

| 排名 | 模型 | 平均分 (满分92) | | :--- | :--- | :--- | | 1 | DeepSeek-V4-Pro | 80.00 | | 2 | Claude-Opus-4.8 | 79.33 | | 3 | Mimo-V2.5Pro | 79.00 | | 4 | DeepSeek-V4-Flash | 78.67 | | 5 | MiniMax-M3 | 78.33 | | 6 | Qwen-3.7-Max | 78.00 | | 7 | GPT-5.5 | 77.33 | | 8 | GLM-5.1 | 75.67 | | 9 | Gemini-3.5-Flash | 75.33 | | 10 | Kimi-K2.6 | 74.67 | | 11 | Doubao-2.0-Code | 65.67 |

纯翻译能力排名（剔除 LaTeX 维度，满分 80 分）：

当仅评估语言翻译水平时，排名发生细微变化，DeepSeek 系列依然领跑，MiniMax 和 Mimo 紧随其后，GPT-5.5 排名略有上升。

| 排名 | 模型 | 平均分 (满分80) | 排名变化 | | :--- | :--- | :--- | :--- | | 1 | DeepSeek-V4-Pro | 70.00 | — | | 2 | Claude-Opus-4.8 | 69.67 | — | | 3 | DeepSeek-V4-Flash | 69.67 | ↑1 | | 4 | MiniMax-M3 | 69.33 | ↑1 | | 5 | Mimo-V2.5Pro | 69.00 | ↓2 | | 6 | GPT-5.5 | 68.00 | ↑1 | | 7 | Qwen-3.7-Max | 68.00 | ↓1 | | 8 | GLM-5.1 | 66.67 | — | | 9 | Gemini-3.5-Flash | 65.00 | — | | 10 | Kimi-K2.6 | 64.67 | — | | 11 | Doubao-2.0-Code | 58.33 | — |

结果分析：

1. 第一梯队（T1）： DeepSeek-V4-Pro、Claude-Opus-4.8 和 Mimo-V2.5Pro 表现最为稳定且分数最高。DeepSeek 凭借极高的性价比（翻译一篇论文仅需几毛钱）和强大的语言能力脱颖而出。
2. 意外惊喜： Mimo 和 MiniMax 这两款模型在榜单中名列前茅，甚至超越了 GPT-5.5，显示出其在学术翻译领域的强劲实力。
3. GPT-5.5 的表现： 作为裁判和参赛者，GPT-5.5 排名中游。作者推测其可能调整了说话风格，导致在特定学术语境下的表现不如以往惊艳，但整体依然稳健。
4. Doubao 的表现： Doubao-Seed-2.0-Code 排名垫底。作者怀疑这既可能是模型本身在复杂学术任务上的局限，也可能是运行工具（trea）的限制所致。
5. 国模崛起： 包括 DeepSeek、Qwen、MiniMax、GLM、Kimi 在内的多款国产模型在纯翻译维度上表现优异，部分甚至超越了 GPT-5.5，显示出中国大模型在垂直领域能力的快速提升。

关键要点

• DeepSeek 系列领跑： DeepSeek-V4-Pro 在综合评分（含 LaTeX）和纯翻译评分中均位列第一，证明了其在学术翻译及代码生成方面的顶尖能力。
• 性价比优势明显： DeepSeek 在保持顶级性能的同时，成本极低，对于需要大量翻译的用户而言，是极具吸引力的选择。
• 国产模型竞争力强： MiniMax、Mimo、Qwen 等国产模型表现优异，MiniMax 在综合排名中进入前五，GPT-5.5 在纯翻译排名中仅排第六，显示出国产模型在特定任务上已具备与国际顶尖模型掰手腕的实力。
• LaTeX 能力是重要区分点： 在包含 LaTeX 编译要求的综合测试中，DeepSeek-V4-Pro 和 Claude-Opus-4.8 依然保持领先，说明优秀的语言模型往往也具备较强的代码逻辑能力。
• 测试局限性： 作者强调测试非严谨科学实验，存在样本单一、裁判主观性、部分模型出现死循环等干扰因素。结果仅供参考，旨在为有类似需求的用户提供直观对比。

意义与影响

此次测评反映了当前大模型在垂直领域（学术翻译）的应用现状。它打破了“GPT 系列绝对垄断”的固有印象，证实了 DeepSeek、Claude 以及部分国产模型（如 MiniMax、Mimo）在专业任务上的卓越表现。

对于研究人员和学生而言，这意味着在选择 AI 辅助写作工具时，不再局限于单一平台。如果追求极致性价比和综合性能，DeepSeek 系列是首选；如果关注特定模型在 LaTeX 处理上的稳定性，Claude 依然是强劲对手；而 Mimo 和 MiniMax 的崛起则为市场提供了更多元、更具竞争力的替代方案。此外，这也提示开发者，在优化模型时，除了提升语言流畅度，增强对特定领域格式（如 LaTeX）的理解和生成能力，同样是提升用户体验的关键。