1
Claude Opus 5.5
Claude 系列 · 旗舰
96.52/ 100
质量首选 · 复杂文档 / 术语密集
强项：格式合规、完整度
这是一份只评文本质量的榜单：格式、完整度、术语、事实保真和参考相似度共同构成综合分。分数越接近，越应该按文档类型、上下文长度和你的术语表来选，而不是只追名次。
质量首选 · 复杂文档 / 术语密集
强项：格式合规、完整度
术语与学术论文更稳 · 均衡首选
强项：格式合规、完整度
旗舰档 · 长文档与复杂结构
强项：格式合规、完整度
前三名之间的分差需结合各自的稳定区间判断；区间重叠时，应视为同一梯队。
| 名次 | 模型 | 系列 | 综合得分 | 稳定区间 | 适用场景 |
|---|---|---|---|---|---|
| 1 | Claude Opus 5.5 旗舰 |
Claude 系列 | 96.52 |
±0.35 | 质量首选 · 复杂文档 / 术语密集 |
| 2 | GPT-6.1 Sol 推荐 |
GPT 系列 | 95.80 |
±1.14 | 术语与学术论文更稳 · 均衡首选 |
| 3 | GPT-6 Astra 旗舰 |
GPT 系列 | 95.47 |
±0.73 | 旗舰档 · 长文档与复杂结构 |
| 4 | GPT-6.1 Terra 高性价比 |
GPT 系列 | 95.17 |
±0.23 | 6.1 系低耗档 · 术语与学术同样稳 |
| 5 | Claude Haiku 5.5 高性价比 |
Claude 系列 | 95.05 |
±0.93 | 高分低耗 · 批量文档性价比首选 |
| 5 | GLM-5.3-Flash |
国产模型 | 95.05 |
±0.95 | 中文术语与长句 · 智谱通用档 |
| 7 | Grok 4.7 |
Grok 系列 | 94.85 |
±1.45 | 口语与创意文本 · 长文顺畅 |
| 8 | GPT-6 Luna |
GPT 系列 | 94.62 |
±1.71 | 响应最快 · 口语与营销文案 |
| 9 | DeepSeek V4.1 Flash |
国产模型 | 94.50 |
±1.80 | 推理与技术文档 · 代码注释友好 |
| 10 | Gemini 3.8 Flash |
Gemini 系列 | 94.27 |
±0.82 | 多语种与图表说明 · 响应稳定 |
| 11 | 豆包 Seed 2.1 Lite |
国产模型 | 93.30 |
±1.06 | 通用快翻 · 日常文档性价比档 |
| 12 | LongCat 2.0 |
国产模型 | 92.80 |
±1.34 | 超长文档 · 上下文连贯性更好 |
「稳定区间」来自 3 轮独立评测的统计波动。两档分差落在双方区间内时，不应当作稳定的优劣差距；同分模型使用并列名次。
共 4 个客户可选配置 · 同系列保留各自实测分
共 2 个客户可选配置 · 同系列保留各自实测分
共 1 个客户可选配置 · 同系列保留各自实测分
共 1 个客户可选配置 · 同系列保留各自实测分
共 4 个客户可选配置 · 同系列保留各自实测分
综合分领先，在长句、术语和格式边界用例里更稳。适合合同、论文与结构复杂的资料。
综合分接近第一梯队时，更适合大批量、日常文档；先用少量页面验证你的术语和版式。
中文术语、长句和本地化表达是重点。按文档类型选，不必只盯总分的小数点后两位。
榜单评的是固定文本测试集，不等于整份文档的最终体验。排版、术语表、扫描件识别和实际调度都会影响结果；建议先用自己的少量页面验证。
| 组内排序 | 引擎 | 组内得分 | 能力边界 |
|---|---|---|---|
| 1 | Bing 翻译 |
91.54 |
网页逐句翻译 · 无术语表与全文上下文 |
| 2 | 金山词霸 |
91.36 |
网页逐句翻译 · 无术语表与全文上下文 |
| 3 | 有道翻译 |
86.88 |
网页逐句翻译 · 无术语表与全文上下文 |
| 4 | 阿里翻译 |
82.61 |
网页逐句翻译 · 无术语表与全文上下文 |
这一组来自 2026-11-08 的独立评测批次，采用逐句网页翻译，不支持术语表与全文上下文。绝对分只用于组内比较，不与上方 AI 模型主榜直接比较；排序也不代表文档级排版能力。
五个维度合计 100 分。测试集或评分系统变化后，不同批次的绝对分会漂移，不能跨批次直接比较。
这份结果适合回答「同一套文本里谁更稳」，不适合替代你自己的文档验收。个别高档位的实际任务会由平台组合完成，请特别以试译结果为准。