01 组会前一晚我把 18 页 PDF 丢了进去周一组会轮到我讲文献导师随手甩来一篇 18 页的英文论文attention 机制、消融实验、附录里的推导一篇标准的长文。我的英文阅读速度读这种文章逐句啃大概要一整个下午还不一定啃得透。头天晚上十点我决定试试 MuchSci 的文献翻译——把整本 PDF 丢进去看它能不能先把读懂这一步的时间成本砍下来。先说结论初稿四分钟出全文连贯、没有丢段公式和图表编号都还在原位。但真正值钱的不是这四分钟是后面我发现的一个问题——译文读起来像机翻的那股味九成来自术语。这篇文章就是围绕这个问题展开的。▲ 图 1把问题交给 MuchSci把时间还给研究——这次的问题是一篇 18 页的英文长文02 第一版译文像机翻问题不在词在术语初稿最明显的问题是同一个术语前后译法不一致。attention在第三节是注意力、第五节变成关注度、到了实验部分干脆原样留着英文fine-tuning一会儿微调一会儿精调。单看每句都没错连起来读就是一股说不出的机器味——因为你以为是三个概念的其实是同一个。▲ 图 2锁定术语表后的双语对照首次出现时中英并注此后全文用同一译法——首次出现的英文括注是给导师和读者留的回溯入口界面为示意▲ 图 3同一篇论文里的术语漂移不锁术语表时四个高频术语合计出现 70 次、冒出 12 种译法锁定后每条只剩一种术语与次数为该篇实际统计这篇我最后给全文锁定了 32 条术语——数量不多但都是反复出现的高频词。机翻味不是玄学它是可归类的毛病而最大的一类就是术语漂移修法也简单得不像话先定术语表再开始翻。03 关于降低 AIGC我得先泼盆冷水写这篇之前朋友给我出题说测测这个功能降 AIGC怎么样——意思是能不能让译文在 AI 检测器那里拿个低分。我先把我的态度放在这儿为规避检测而做的洗稿我不做也不建议任何人做——那是学术不端被查实比拿低分严重一百倍。但我认真测了另一件事一份认真做过的译文在检测器眼里到底是什么样。结果比我预想的更说明问题。▲ 图 4同一段译文三个常用检测工具的判定读数示意数据8% 到 61%差了 70 多个百分点——分数本身连一个稳定的靶子都算不上这个结果其实很好理解AI 检测器判的是统计特征不是事实。同一段文字换个工具、换个版本、甚至换个语种组合读数就能天差地别。真实的学术圈里母语作者被误判成 AI 的案例都时有报道拿检测分数当证据本身就是高风险动作。所以我对降低 AIGC这个需求的回答是别把检测分数当目标把译文的可审读性当目标。术语统一、语序通顺、公式完好、指代清楚——这四件事做好了译文自然经得起人读、经得起导师问、经得起对照原文核查。这才是一份翻译真正的质量标准顺带也是对机器味最有效的祛除。下一节就是我实际修出来的账。04 我把机器味拆成四类逐个修复校那 43 分钟里我对着原文逐段过了一遍把每处改动记了下来——一共 126 处按类型一统计规律很清楚▲ 图 5126 处改动按类型分布术语漂移和语序直译占六成是机翻感的主力公式符号破损虽然只占 16%却是必须人工逐条核的一类四类里术语漂移靠术语表一步锁死第二节讲过了语序直译是我逐段对着原文重排的英文从句套从句的长句中文得拆成短句倒过来讲指代替换里该方法的它这种句子改成人名或术语就顺了。这三类修完译文已经读不出机器味了。第四类公式符号破损要单独说上下标被吃掉、希腊字母变成问号、引用编号 [12] 断了链——这类错误不影响读起来顺不顺但直接影响引用对不对。我的做法是把所有公式和编号处截图对照原文逐个核20 处里修了 6 处。这也是我建议任何人用机器译文前必做的一步顺不顺是语感问题对不对是学术问题。05 顺手拓展这套流程我用在了三个地方这套术语表 → 全文跑 → 逐段复校的流程走通之后我发现它不挑场景。读文献之外我又拿它做了两件事顺手把三者的时间账也算了▲ 图 6三个场景的实测耗时个人记录机器只省逐字啃的时间读懂并核对的时间省不掉——这恰恰是它不该省的部分场景一读外文文献。就是本文主线43 分钟吃透一篇 18 页长文第二天组会上被追问细节也没露怯。术语表存了档同方向的下一篇直接复用。场景二中译英投稿。把自己写的中文摘要和引言翻成英文方向反过来流程一样先定术语表这次是中文术语锁定英文译法机翻打底人工精校重点放在中式英语上。精校时间反而更长——因为输出是要给审稿人看的每个词都得掂量。场景三团队技术手册。组里 40 页的英文工具手册术语密度极高但术语表一锁机翻部分 11 分钟跑完剩下主要是核对操作步骤的准确性。这本手册后来成了新同学的入门材料。▲ 图 7五步工作流①和④抽术语、逐段复校是人与 AI 的分工点也是译文质量的分水岭当然老规矩先把三个硬限制摆在台面上。一、它不懂你的领域惯例只懂语言。benchmark译成基准还是评测集取决于你们组的叫法缩写该不该展开、人名该不该保留原文各实验室规矩不同。这些它都不知道得你通过术语表喂给它。二、公式和数据的破损是静默的。文字翻错你能读出来上下标丢了它不会报错。我用机器译文前必做的一件事就是把所有公式、表格、引用编号和原文逐个对——这类错误恰恰最容易带进正式文档。三、翻译不等于读懂更不等于会讲。43 分钟里真正的收获是复校那 27 分钟逼着我对照原文逐段过了一遍。直接拿译文去讲、跳过这一步组会上被追问一句这个假设为什么成立就露馅——工具省的是查词的时间不是理解的时间。那这东西什么时候值得用结论直接放这里值得用的场合需要大量阅读外文资料的人、写综述要做引文对照的人、中英双语产出都有刚需的科研场景——条件是保留术语表 逐段复校这两步人工工序把机器译文当底稿不当成稿。不适合的场合想拿译文直接署名提交的人——引用要标注、译文要核对这些义务不会因为用了工具而消失以及想靠它过检测的人——分数是统计游戏不是质量证明绕过它唯一正当的方式是把译文真正做好。如果只给一句实际建议把工具当第一位译者把自己当终审编辑。这 43 分钟里最值钱的不是省下的下午是我现在拿到任何长文都不再发怵——因为流程摆在那儿术语表越攒越厚下篇文章永远比这篇快。合规与边界声明1. 本文不提供任何规避 AI 生成检测的方法或工具推荐以逃避检测为目的对内容做掩饰性改写属于学术不端行为。2. 翻译他人作品用于学习研究时请标注原文出处、尊重著作权正式引用一律以原文为准。3. AI 检测工具的结果为统计推测误判率不可忽视不应作为认定学术不端的唯一依据本文检测器读数为示意数据。*文中耗时、术语次数等均为该篇论文的个人实测记录不同文献难度与个人熟练度会影响结果。功能描述以当期版本为准。*