Cosa abbiamo imparato all'EAMT 2026

Quest'anno, tre membri del nostro team hanno avuto articoli accettati all'EAMT, la conferenza annuale dell'European Association for Machine Translation che riunisce ricercatori, professionisti e professionisti del settore per condividere conoscenze e discutere lo stato del settore. Tra la presentazione del nostro lavoro e la partecipazione a sessioni in tutto il programma, siamo riusciti a ottenere un quadro piuttosto chiaro di dove si trova la ricerca MT nel 2026 e dove ha ancora molta strada da fare.

Marina Sánchez Torrón, Ph.D., Ingegnere Linguistico Senior presso Smartling, salirà sul palco all'EAMT 2026.

Ecco le nostre lezioni più importanti:

Il dibattito sugli LLM è finito. Ora arriva la parte difficile.

Nessuno all'EAMT chiedeva più se usare gli LLM per la traduzione. La questione è risolta. La conversazione si è completamente spostata su come implementarli bene, ed è qui che le cose si fanno interessanti.

Uno dei segnali più forti dalla conferenza è che gli LLM standalone raramente sono sufficienti per ambienti di produzione. L'architettura emergente non è "LLM invece di memoria di traduzione." È LLM più memoria di traduzione più recupero. I ricordi di traduzione non andranno da nessuna parte. Vengono riutilizzati come fonti di conoscenza curate e verificate che inseriscono direttamente nella gestione dei flussi di lavoro degli LLM conoscenze linguistiche specifiche dell'azienda. Le TM di alta qualità e pulite sono sempre più fattori di differenza, sia che tu stia facendo fine-tuning sia costruendo un'architettura RAG.

Gli approcci di traduzione multi-agente hanno attirato un po' di attenzione, ma la verità è che sono ancora sperimentali. Non è ancora da sapere se la generazione in stile comitato sarà pronta per la produzione a breve.

Terminologia e stile: progresso, ma non risolto

Se c'era un tema che attraversava quasi ogni sessione, era questo: tradurre il linguaggio generale è in gran parte facile. Tradurre contenuti specializzati in modo coerente non lo è.

La gestione della terminologia rimane una delle sfide di produzione irrisolte più significative nel settore. Una grande parte del programma tecnico si concentrava sulla traduzione di terminologia, contenuti biomedici, traduzione legale e adattamento specifico per dominio, e la frustrazione era palpabile. L'adesione alla guida di stile è riapparsa più volte come punto dolente condiviso, senza che nessuno affermasse di averla risolta.

I ricercatori hanno dimostrato che gli LLM hanno impronte stilistiche chiare e misurabili rispetto ai traduttori umani: maggiore densità lessicale, vocabolario più sofisticato, tendenza a abusare dei trattini e a sottousare le ellissi, e schemi distintivi di lunghezza delle frasi. I tentativi di spingere gli LLM a imitare traduttori letterari specifici sono per lo più falliti, con effetti di famiglia modello (GPT vs. Claude) più forti dello stile stesso.

Una conclusione chiave: gli LLM hanno reso lo stile misurabile, ma non hanno risolto il problema. I traduttori umani rimangono in uno spazio stilistico chiaramente distinto che i modelli moderni possono avvicinarsi ma non raggiungere completamente. Il post-editing tramite IA può migliorare la conformità di stile e terminologia, ma i modelli sovra-editano spesso e il feedback umano rimane essenziale per ottenere i risultati dove devono essere.

La messa a punto fine conta ancora

Non molto tempo fa, c'era molto entusiasmo per l'idea che il prompting avrebbe sostituito l'adattamento del modello. Le prove della conferenza non lo supportano. Numerosi articoli hanno mostrato chiari benefici derivanti da una rifinitura specifica per dominio nei settori legale, biomedico, letterario e tecnico. Un EuroLLM-22B adattato alla LoRA ha superato di netto Claude Sonnet nella traduzione legislativa dell'UE.

Il punto più ampio: per casi d'uso in cui la precisione della terminologia, i requisiti di stile o i vincoli normativi sono critici, l'adattamento specializzato rimane prezioso. Prompting e recupero sono strumenti sempre più importanti, ma non sostituiscono l'expertise di dominio integrata in un modello.

Il prompting ha più sfumature di quanto la maggior parte supponga

Il nostro articolo sull'ottimizzazione manuale vs. automatizzata dei prompt (DSPy e GEPA) ha suscitato molta curiosità durante la sessione poster. La maggior parte dei partecipanti non aveva mai sentito parlare di GEPA, e molti ne hanno subito visto la rilevanza rispetto alle proprie sfide di scala. La conversazione non si è fermata dopo un'ora e siamo rimasti lì durante la pausa caffè. Slator ha riportato la ricerca di Smartling, osservando che l'ottimizzazione automatica ha ridotto il divario con prompt esperti per terminologia e traduzione, mentre il giudizio esperto ha comunque guidato il rilevamento degli errori LQA.

Più in generale, la conferenza ha sottolineato che il prompt design non è un problema risolto. La struttura conta più del linguaggio: un ruolo completo + contesto + pubblico + proposto riduce costantemente gli errori di stile tra gli studi. I prompt nella lingua target sono stati preferiti dai linguisti esperti rispetto a quelli nella lingua madre. E l'ottimizzazione automatica non vince sempre; Dipende molto dal compito.

Le lingue a basse risorse rimangono la frontiera più difficile

Nonostante i notevoli progressi nelle coppie linguistiche ad alto contenuto di risorse, le lingue a basse risorse e le lingue minoritarie restano un problema difficile e in gran parte irrisolto. Gli LLM ancora confondono varietà minoritarie con standard dominanti, con il valenciano che si è spostato nel catalano standard come esempio emerso. La generazione parallela sintetica di dati e la distillazione di conoscenza basata su RAG sono gli approcci più promettenti, ma i nuovi dataset per linguaggi sottofinanziati sono ancora scarsi.

Anche NMT non è morto in questo ambito. Per contesti istituzionali ricchi di dati, i modelli specializzati possono comunque prevalere, principalmente perché hanno accesso a dati di addestramento massicci e specifici per dominio che rendono l'investimento conveniente.

La valutazione è il collo di bottiglia di cui si parla

Generare traduzioni è diventato un problema più facile da risolvere. Definire e misurare in modo affidabile la loro qualità è il punto in cui il campo si blocca.

Metriche tradizionali come BLEU e TER sono sempre più insufficienti per casi d'uso reali. Una scelta di genere sbagliata potrebbe influenzare a malapena il TER ma essere un errore critico nel contesto. Le metriche automatizzate, incluse le metriche tradizionali e gli approcci LLM come giudice, non riescono ancora a catturare in modo affidabile la qualità a livello di documento. E come ha detto un relatore: senza una valutazione migliore, l'industria rischia di ottimizzare nella direzione sbagliata.

Il dispiegamento interno sta diventando una vera priorità

Un altro tema importante era la crescente importanza strategica degli LLM interni e on-premise. I flussi di lavoro governativi, legali, parlamentari e aziendali spesso semplicemente non possono inviare contenuti sensibili a API esterne. I requisiti di residenza nei dati sono reali e non scompariranno.

Questo crea un vero mercato per modelli più piccoli, distribuibili localmente e specializzati, non perché siano necessariamente migliori dei sistemi frontier in qualità grezza, ma perché sono controllabili. La distribuibilità, il supporto ai glossari, la gestione della guida di stile, l'integrazione della memoria di traduzione e una credibile storia di sicurezza sono veri elementi distintivi per un ampio segmento di mercato.

Quello che portiamo con noi

EAMT 2026 ha confermato qualcosa su cui siamo molto convinti in Smartling: il futuro della traduzione in produzione non consiste solo in modelli migliori. È un'infrastruttura di traduzione controllabile, auditabile, specifica per dominio e sicura, costruita su LLM robusti, basata su memoria di recupero e traduzione, adattata a domini specifici e raffinata dagli esseri umani per contenuti ad alto rischio. Siamo anche sulla strada giusta nel lavorare sui problemi aperti, inclusi valutazione, terminologia, stile e linguaggi a basse risorse.

Siamo grati all'EAMT per aver creato lo spazio per queste conversazioni, e ai ricercatori e ai professionisti che hanno condiviso il loro lavoro così apertamente. Ci vediamo l'anno prossimo.

Domande sulla nostra ricerca o su come Smartling sta affrontando queste sfide? Mettiti in contatto.