Was wir auf der EAMT 2026 gelernt haben

In diesem Jahr wurden drei Mitglieder unseres Teams auf der EAMT, der jährlichen European Association for Machine Translation-Konferenz, die Forscher, Praktiker und Branchenprofis zusammenbringt, Beiträge angenommen, um Wissen auszutauschen und den Stand des Fachgebiets zu diskutieren. Zwischen der Präsentation unserer eigenen Arbeit und der Teilnahme an Sitzungen im gesamten Programm haben wir ein ziemlich klares Bild davon, wo die MT-Forschung 2026 steht und wo sie noch einen langen Weg vor sich hat.

Marina Sánchez Torrón, Ph.D., Senior Linguistic Engineer bei Smartling, betritt die Bühne bei EAMT 2026.

Hier sind unsere wichtigsten Erkenntnisse:

Die Debatte über LLMs ist beendet. Jetzt kommt der schwierige Teil.

Niemand bei EAMT fragte mehr, ob man LLMs für Übersetzungen verwenden sollte. Diese Frage ist geklärt. Die Diskussion hat sich vollständig darauf konzentriert, wie man sie gut einsetzt, und hier wird es interessant.

Eines der stärksten Signale der Konferenz ist, dass eigenständige LLMs für Produktionsumgebungen selten ausreichen. Die entstehende Architektur ist nicht "LLM statt Übersetzungsspeicher". Es ist LLM plus Übersetzungsgedächtnis plus Abruf. Übersetzungserinnerungen verschwinden nicht. Sie werden als kuratierte und geprüfte Wissensquellen umfunktioniert, die unternehmensspezifisches linguistisches Wissen direkt in LLM-Workflows einbringen. Hochwertige, saubere TMs sind zunehmend der Unterschiedsfaktor, egal ob Sie eine RAG-Architektur feinjustieren oder bauen.

Mehrfach-Agenten-Übersetzungsansätze erhielten etwas Aufmerksamkeit, aber die ehrliche Erkenntnis ist, dass sie immer noch experimentell sind. Ob die Komitee-Generation bald produktionsbereit ist, ist noch unentschieden.

Terminologie und Stil: Fortschritt, aber nicht gelöst

Wenn es ein Thema gab, das fast jede Sitzung durchzog, dann war es dieses: Das Übersetzen der allgemeinen Sprache ist größtenteils einfach. Spezialisierte Inhalte konsequent zu übersetzen, ist das nicht.

Das Terminologiemanagement bleibt eine der bedeutendsten ungelösten Produktionsherausforderungen in diesem Bereich. Ein großer Teil des technischen Programms konzentrierte sich auf Terminologieübersetzung, biomedizinische Inhalte, juristische Übersetzung und fachspezifische Anpassungen, und die Frustration war spürbar. Die Einhaltung des Styleguides kam immer wieder als gemeinsamer Schmerzpunkt zur Sprache, und niemand behauptete, ihn geknackt zu haben.

Forscher zeigten, dass LLMs im Vergleich zu menschlichen Übersetzern klare, messbare stilistische Fingerabdrücke aufweisen: höhere lexikalische Dichte, ausgefeilteren Wortschatz, eine Tendenz zur Übernutzung von Strichen und zu wenig Ellipsen sowie charakteristische Satzlängenmuster. Versuche, LLMs dazu zu bringen, bestimmte literarische Übersetzer zu imitieren, scheiterten meist, wobei die Modellfamilieneffekte (GPT vs. Claude) stärker waren als der Stil-Prompt selbst.

Eine wichtige Schlussfolgerung: LLMs haben Stil messbar gemacht, aber sie haben ihn nicht gelöst. Menschliche Übersetzer befinden sich in einem klar eigenständigen stilistischen Raum, den moderne Modelle annähern, aber nicht vollständig erreichen können. KI-Nachbearbeitung kann die Einhaltung von Stil und Terminologie verbessern, aber Modelle überarbeiten häufig und menschliches Feedback bleibt unerlässlich, um die Ergebnisse dorthin zu bringen, wo sie sein sollen.

Feinabstimmung ist weiterhin wichtig

Vor nicht allzu langer Zeit gab es große Begeisterung für die Idee, dass Prompting die Modellanpassung ersetzen sollte. Die Beweise der Konferenz stützen das nicht. Mehrere Arbeiten zeigten deutliche Vorteile von fachspezifischer Feinabstimmung in rechtlichen, biomedizinischen, literarischen und technischen Bereichen. Ein von LoRA adaptierter EuroLLM-22B übertraf Claude Sonnet mit Zero-Shot bei der EU-Gesetzgebungsübersetzung.

Der übergeordnete Punkt: Für Anwendungsfälle, in denen Terminologiepräzision, Stilanforderungen oder regulatorische Einschränkungen entscheidend sind, bleibt spezialisierte Anpassung wertvoll. Prompting und Retrieval werden zunehmend wichtige Werkzeuge, ersetzen aber nicht die in ein Modell eingebaute Fachkompetenz.

Prompting hat mehr Nuancen, als die meisten annehmen

Unser Paper über manuelle vs. automatisierte Prompt-Optimierung (DSPy und GEPA) weckte bei unserer Postersitzung viel Neugier. Die meisten Teilnehmer hatten von GEPA noch nie gehört, und viele erkannten sofort seine Relevanz für ihre eigenen Skalierungsherausforderungen. Das Gespräch endete nicht bei der Stundenmarke und wir waren während der Kaffeepause dabei. Slator berichtete über Smartlings Forschung, und stellte fest, dass die automatisierte Optimierung die Lücke bei Expertenanfragen für Terminologie und Übersetzung verringerte, während das Expertenurteil weiterhin auf der LQA-Fehlererkennung basierte.

Im weiteren Sinne bekräftigte die Konferenz, dass Prompt-Design kein gelöstes Problem ist. Struktur ist wichtiger als Sprache: Eine vollständige Rolle + Kontext + Zielgruppe + Zweck reduziert Stilfehler in Studien konsequent. Prompts in der Zielsprache wurden von Expertenlinguisten gegenüber Quellsprach-Prompts bevorzugt. Und automatisierte Optimierung gewinnt nicht immer; Es hängt stark von der Aufgabe ab.

Ressourcenarme Sprachen bleiben die härteste Grenze

Trotz erheblicher Fortschritte bei ressourcenstarken Sprachpaaren bleiben ressourcenarme und Minderheitensprachen ein schwieriges, weitgehend ungelöstes Problem. LLMs vermischen Minderheitenvarietäten weiterhin mit dominanten Standards, wobei Valencianisch als Beispiel in Standardkatalanisch zusammenfiel. Synthetische parallele Datengenerierung und RAG-basierte Wissensdestillation sind die vielversprechendsten Ansätze, aber neue Datensätze für unterversorgte Sprachen sind weiterhin knapp.

NMT ist in diesem Bereich auch nicht tot. Für datenreiche institutionelle Kontexte können spezialisierte Modelle dennoch profitieren, vor allem weil sie Zugang zu umfangreichen, domänenspezifischen Trainingsdaten haben, die die Investition lohnenswert machen.

Bewertung ist der diskutierte Engpass

Das Erstellen von Übersetzungen ist zu einem leichter zu lösenden Problem geworden. Die zuverlässige Definition und Messung ihrer Qualität ist der Punkt, an dem das Feld feststeckt.

Traditionelle Kennzahlen wie BLEU und TER sind für reale Anwendungsfälle zunehmend unzureichend. Eine falsche Geschlechtswahl beeinflusst TER vielleicht kaum, ist aber ein kritischer Fehler im Kontext. Automatisierte Kennzahlen, einschließlich traditioneller Kennzahlen und LLM-als-Richter-Ansätze, können die Dokumentenqualität weiterhin nicht zuverlässig erfassen. Und wie ein Moderator sagte: Ohne bessere Bewertung riskiert die Branche, in die falsche Richtung zu optimieren.

Der interne Einsatz wird zu einer echten Priorität

Ein weiteres zentrales Thema war die wachsende strategische Bedeutung von internen und präsent-basierten LLMs. Regierungs-, Rechts-, Parlaments- und Unternehmens-Workflows können oft einfach keine sensiblen Inhalte an externe APIs senden. Die Anforderungen zur Datenresidenz sind real und werden nicht verschwinden.

Das schafft einen echten Markt für kleinere, lokal einsetzbare, spezialisierte Modelle, nicht weil sie in der rohen Qualität unbedingt besser sind als Frontier-Systeme, sondern weil sie steuerbar sind. Bereitstellungsfähigkeit, Unterstützung für Glossare, Styleguide-Handhabung, Integration von Übersetzungsspeicher und eine glaubwürdige Sicherheitsgeschichte sind echte Unterscheidungsmerkmale für einen großen Marktsegment.

Was wir mit zurücknehmen

EAMT 2026 bestätigte etwas, das uns bei Smartling sehr wichtig ist: Die Zukunft der Produktionsumsetzungen sind nicht nur bessere Modelle. Es ist eine kontrollierbare, auditierbare, domänenspezifische und sichere Übersetzungsinfrastruktur, die auf starken LLMs basiert, auf Abruf- und Übersetzungsspeicher basiert, an bestimmte Domänen angepasst und von Menschen für hochriskante Inhalte verfeinert wird. Wir sind auch auf dem richtigen Weg, was die Arbeit an offenen Problemen angeht, einschließlich Evaluation, Terminologie, Stil und ressourcenarmen Sprachen.

Wir sind EAMT dankbar, dass sie den Raum für diese Gespräche geschaffen hat, sowie den Forschern und Praktikern, die ihre Arbeit so offen geteilt haben. Bis nächstes Jahr.

Fragen zu unserer Forschung oder wie Smartling diese Herausforderungen angeht? Kontaktieren Sie uns.