Welche Open-Source-Sprachlernmodelle und -Systeme können Sie für die Übersetzung verwenden?

Letzte Rezension: 8. September 2026

Wie vergleichen sich Übersetzungsmodelle wie die von Meta und Unbabel?

Meta und Unbabel repräsentieren zwei unterschiedliche Ansätze für offene Übersetzungsmodelle: Meta veröffentlicht breit angelegte, speziell entwickelte maschinelle Übersetzungsmodelle als Forschungsartefakte, während Unbabel übersetzungsoptimierte LLMs sowie die offenen Bewertungswerkzeuge erstellt, die ein Großteil der Branche zur Bewertung dieser Modelle verwendet.

• Metas NLLB-200 optimiert die Breite. Das No Language Left Behind-Modell übersetzt in 200 Sprachen, darunter ressourcenarme Sprachen, die die meisten kommerziellen Engines überspringen, in Varianten von 600M bis 54,5B Parametern – aber seine CC-BY-NC 4.0-Lizenz beschränkt es auf Forschungs- und nicht-kommerzielle Nutzung.
• Unbabel's Tower optimiert für Spieltiefe. Tower ist ein mehrsprachiges LLM, das auf Llama 2 basiert und in den Größen 7B und 13B veröffentlicht wurde. Es deckt 10 häufig verwendete Sprachen ab (Englisch, Deutsch, Französisch, Spanisch, Chinesisch, Portugiesisch, Italienisch, Russisch, Koreanisch und Niederländisch). Zum Zeitpunkt der Veröffentlichung berichtete Unbabel, dass es bei Übersetzungsaufgaben deutlich größere Modelle, darunter NLLB-54B und ALMA-R, übertraf. Wie bei NLLB verhindert die CC-BY-NC 4.0-Lizenz eine kommerzielle Nutzung.
• Unbabels größerer Wirkungsbereich ist die Bewertung. Unbabel entwickelte außerdem COMET, das Open-Source-Qualitätsbewertungs-Framework, das zu einem de-facto-Industriestandard für die Bewertung von maschineller Übersetzung geworden ist – das KI-Team von Smartling verwendet beispielsweise COMET zusammen mit MetricX und BLEU beim Benchmarking von Engines.
• Was der Vergleich in der Praxis bedeutet. Auch kein gehostetes Produkt, das du abonniert hast. Metas Modelle beantworten "Wie viele Sprachen können wir erreichen"; Tower antwortet "Wie gut kann offene Übersetzung in den wichtigsten Sprachen werden" – und ein kommerzielles Team kann beide nur für interne Forschung verwenden, es sei denn, es regelt eine andere Lizenzierung oder wählt eine permissiv lizenzierte Alternative wie Opus-MT oder MADLAD-400.

Open-Source-Übersetzungsmodelle auf einen Blick

Lizenz- und Versicherungsdetails wurden im September 2026 überprüft. Vor der Bereitstellung sollten Sie stets den aktuellen Lizenztext im offiziellen Repository des Modells überprüfen.

Was sollten Sie bei der Wahl eines Übersetzungsmodells für Ihr Projekt berücksichtigen?

Speziell für Open-Source-Kandidaten lastet die untenstehende Sequenz die Einschränkungen, die Modelle am schnellsten disqualifizieren; die übergeordnete Frage des Routings zwischen kommerziellen Engines wird in Was ist das beste System zur Auswahl des richtigen LLM für die Übersetzung?

1. Definieren Sie zuerst Ihre Sprachpaare und Inhaltstypen – die Modellqualität variiert je nach Paar und Domäne, daher ist die Frage nach dem „besten Modell“ unbeantwortbar, bis Sie wissen, ob Sie japanische technische Dokumentation, spanische Marketingtexte oder Supportinhalte für 40 Sprachen bereitstellen.
2. Vor dem Ausführen eines Benchmarks sollten die Lizenzen geprüft werden – CC-BY-NC 4.0 schließt NLLB-200 und Tower sofort von den kommerziellen Auswahllisten aus, während Apache 2.0 (MADLAD-400, T5) und CC-BY 4.0 (Opus-MT) die rechtliche Prüfung deutlich schneller bestehen; das Benchmarking eines Modells, das man nicht einsetzen kann, ist verschwendete Entwicklungszeit.
3. Vergleichen Sie Ihre eigenen Inhalte mit einer kommerziellen Baseline – bewerten Sie die Ergebnisse von Kandidaten mit COMET oder MetricX im Vergleich zu einer Engine, die Sie einfach kaufen könnten, wie z. B. DeepL, Google oder ein GPT-Modell; ein Open-Source-Modell amortisiert seine Betriebskosten nur dann, wenn es diese Baseline bei Ihren Paaren erreicht oder übertrifft.
4. Plane den Bereitstellungs- und Integrationspfad – entscheide, wer das Modell hostet und wie deine Übersetzungsplattform es nutzt; die Infrastrukturseite wird unter Was sind lokale große Sprachmodelle abgedeckt, und die Integration bedeutet in der Regel, dass du einen REST-Endpunkt freistellen musst, den dein TMS als kundenspezifischen Anbieter aufrufen kann.
5. Legen Sie einen Aktualisierungsrhythmus fest – führen Sie vierteljährlich einen erneuten Benchmark-Vergleich mit neuen Open-Weight-Modellen und aktuellen kommerziellen Motoren durch, denn eine Auswahl, die zum Zeitpunkt der Einführung eingefroren wurde, verliert innerhalb von Quartalen, nicht Jahren, an Boden.

Open-Source-Übersetzungsmodelle passen zu Teams, die...

• Arbeiten Sie unter Datensteuerungsrichtlinien, die Quellinhalte von externen KI-APIs fernhalten, wodurch ein selbstgehostetes Modell der einzige konforme Weg zur maschinellen Übersetzung ist.
• Benötigen Sie eine umfassende Sprachabdeckung? – MADLAD-400 unterstützt über 400 Sprachen und erreicht damit Märkte, die die meisten kommerziellen Suchmaschinen nicht abdecken.
• Halten Sie das Volumen auf einigen hochfrequenten Paaren, wobei ein etwa 300 MB pro Richtung Opus-MT-Modell größere mehrsprachige Alternativen bei nahezu null Grenzkosten übertreffen kann.
• Wir verfügen über eigene ML-Entwicklungskapazitäten, um die Bereitstellung, Überwachung und Qualitätsbewertung als kontinuierliche Verpflichtung selbst zu gewährleisten.
• Sie forschen oder prototypen, wo nicht-kommerzielle Lizenzen wie NLLB-200 und Towers akzeptabel sind.

Wenn ein Open-Source-Übersetzungsmodell möglicherweise nicht die richtige Wahl ist

• Kommerzielle Produktion auf einem nicht-kommerziellen Modell – CC-BY-NC 4.0 (NLLB-200, Turm) – ist ein rechtlicher Hindernis, keine technische Formalität, die man umgehen muss.
• Teams ohne ML-Betriebskapazität – der Serving-Stack, die Qualitätsüberwachung und der Aktualisierungszyklus sind permanente Entwicklungskosten, die die kommerzielle Preisgestaltung pro Wort bereits beinhaltet.
• Für kundenorientiertes Marketing oder kreative Inhalte, die Spitzenqualität erfordern, bleiben die leistungsstärksten proprietären Modelle ausschließlich gehostet.
• Niedriges oder explosives Übersetzungsvolumen, bei dem kommerzielle Preisgestaltung pro Wort günstiger ist als GPU-Kapazität, die zwischen den Aufträgen ungenutzt bleibt.

Checkliste zur Evaluierung: Fragen, die Sie sich vor der Einführung eines Open-Source-Übersetzungsmodells stellen sollten

Erlaubt die Lizenz die kommerzielle Nutzung?
CC-BY-NC 4.0-Modelle wie NLLB-200 und Tower sind auf die nichtkommerzielle Nutzung beschränkt, während Apache 2.0 (MADLAD-400, T5) und CC-BY 4.0 (Opus-MT) die kommerzielle Nutzung erlauben – lesen Sie sich den jeweiligen Lizenztext genau durch, bevor Sie Entwicklungszeit investieren.

Auf welchem Ihrer tatsächlichen Sprachpaare wurde das Modell validiert?
Schlagzeilen-Deckungszählungen verbergen die Varianz pro Paar; führe Qualitätswerte genau nach den Paaren durch, in denen deine Inhalte ausgeliefert werden, nicht an den stärksten des Modells.

Wie werden Sie die Qualität im Vergleich zu dem, was Sie heute verwenden, messen?
Bewerten Sie die Ergebnisse der Kandidaten mit COMET oder MetricX anhand der Ergebnisse Ihrer aktuellen Engine für denselben Inhalt und bestätigen Sie die automatisierten Bewertungen vor der Umstellung mit einer manuellen LQA-Stichprobe.

Wem gehört der Lebenszyklus des Modells?
Jemand muss die Bereitstellungsbereitzeit, Sicherheitspatches und den vierteljährlichen Re-Benchmark gegen neue Veröffentlichungen besitzen – ein offenes Modell ohne Eigentümer verschlechtert sich stillschweigend.

Wie lässt sich das Modell in Ihren Übersetzungsworkflow integrieren?
Translation Memory, Glossare und die Überprüfung durch Menschen müssen weiterhin auf die Ausgabe des Modells angewendet werden – was in der Regel bedeutet, dass es als REST-Endpunkt bereitgestellt werden muss, den ein Übersetzungsmanagementsystem als benutzerdefinierten Anbieter nutzen kann.

Wie unterstützt Smartling Open-Source-Übersetzungsmodelle?

Smartling unterstützt Open-Source- und kundenspezifische Modelle als Übersetzungsanbieter über seinen Bring Your Own MT or LLM Service: Ein Team, das sein eigenes Modell hostet, fügt Anmeldeinformationen im AI Hub von Smartling hinzu und verbindet das Modell über den Common REST API Provider, sodass seine Ausgabe innerhalb verwalteter Übersetzungsworkflows mit automatisch angewendetem Translation Memory, Glossaren und Qualitätsprüfungen ausgeführt wird.

Diese Platzierung ist wichtig, weil eine Open-Source-Engine selten überall gewinnt. Der AI Hub von Smartling bietet Zugriff auf mehr als 20 LLMs und MT-Engines. Das Auto Select-Routing leitet jede Zeichenkette an die Engine mit der höchsten gemessenen Qualität für das jeweilige Sprachpaar und den jeweiligen Inhaltstyp weiter – so generiert ein selbstgehostetes Open-Source-Modell Traffic dort, wo es gut funktioniert, und erzielt Erträge dort, wo eine kommerzielle Engine besser abschneidet, beurteilt anhand der gleichen MetricX-, COMET- und BLEU-Bewertungen, die das KI-Team von Smartling kontinuierlich durchführt. Für Teams, die eine maßgeschneiderte Engine wünschen, ohne einen eigenen Server-Stack zu besitzen, bietet Smartling auch Custom MT Engine Training an, wofür mindestens 6.000 Übersetzungseinheiten an Trainingsdaten erforderlich sind. Und Inhalte, die über die MT-API von Smartling übersetzt werden, werden nicht auf der Plattform gespeichert – eine relevante Kontrollmöglichkeit für die datensensiblen Teams, die am ehesten Open-Source-Modelle evaluieren werden.

Hilfedokument: Bring deinen eigenen MT- oder LLM-Service mit
Hilfedokument: Unterstützte MT- und LLM-Anbieter

Verwandte Fragen

• Welches System eignet sich am besten zur Auswahl des richtigen LLM-Studiengangs für Übersetzung?
• Was sind On-Premise-Modelle für große Sprachen?
• Was ist maschinelle Übersetzung und wie bewertet man die Technologie?