En ny åben model til maskinoversættelse hævder at overgå både Google Translate, Gemini 3 Pro og GPT-5 på tværs af 46 sprog — uden at bruge referenceoversættelser under træningen. Resultatet, MiLMMT-46-v1.0, er bygget ved at kombinere supervised finetuning med reinforcement learning og en såkaldt checkpoint-interpolation, hvor man blander vægtene fra de to træningsfaser.
Det interessante er ikke kun den rapporterede kvalitet, men metoden: I stedet for at sammenligne med menneskeskabte referenceoversættelser bruger modellen to kvalitetsestimeringsmodeller som belønning, styret af sprogidentifikation. Det gør træningen billigere og mere skalerbar, fordi man ikke behøver dyre, håndlavede datasæt for hvert sprog. Forskerne viser også, at on-policy distillation når samme kvalitetsniveau, men ikke overgår det, som RL med checkpoint-interpolation opnår.
For virksomheder og beslutningstagere betyder det, at open-source oversættelse nu er et reelt alternativ til proprietære API'er — både i pris og kvalitet. Modellen og koden er offentligt tilgængelige, hvilket gør det muligt at integrere eller videreudvikle løsningen internt. Spørgsmålet er, om de store udbydere kan forsvare deres priser, når åbne modeller leverer sammenlignelig eller bedre kvalitet på flere sprog.
