O que aprendemos na EAMT 2026

Este ano, três membros da nossa equipe tiveram artigos aceitos na EAMT, a conferência anual da Associação Europeia de Tradução Automática, que reúne pesquisadores, profissionais e especialistas do setor para compartilhar conhecimento e discutir o estado atual da área. Entre apresentar nosso próprio trabalho e participar de sessões em todo o programa, saímos com uma visão bastante clara de onde a pesquisa em MT se encontra em 2026 e de onde ainda tem um longo caminho a percorrer.

Marina Sánchez Torrón, Ph.D., Engenheira Linguística Sênior da Smartling, subindo ao palco na EAMT 2026.

Aqui estão as nossas principais conclusões:

O debate sobre os mestrados em direito (LLMs) acabou. Agora vem a parte difícil.

Ninguém na EAMT questionava mais se deveriam usar mestrados em direito (LLMs) para tradução. Essa questão está resolvida. A conversa agora se concentra totalmente em como implantá-los bem, e é aí que as coisas ficam interessantes.

Um dos sinais mais fortes da conferência é que os LLMs independentes raramente são suficientes para ambientes de produção. A arquitetura emergente não é "LLM em vez de memória de tradução". É LLM mais memória de tradução mais recuperação. As memórias de tradução vieram para ficar. Estão sendo reaproveitadas como fontes de conhecimento selecionadas e verificadas que inserem conhecimento linguístico específico da empresa diretamente nos fluxos de trabalho do LLM. TMs limpos e de alta qualidade são cada vez mais o diferencial, seja para ajustes finos ou para a construção de uma arquitetura RAG.

As abordagens de tradução multiagente receberam alguma atenção, mas a conclusão honesta é que ainda são experimentais. Ainda não se sabe se a geração de dados no estilo comitê está pronta para produção em breve.

Terminologia e estilo: progresso, mas não solução.

Se houve um tema que permeou quase todas as sessões, foi este: traduzir linguagem geral é, em grande parte, fácil. Traduzir conteúdo especializado de forma consistente não é.

A gestão da terminologia continua sendo um dos desafios de produção mais significativos e ainda sem solução na área. Grande parte do programa técnico se concentrou na tradução de terminologia, conteúdo biomédico, tradução jurídica e adaptação a domínios específicos, e a frustração era palpável. A adesão ao guia de estilo surgiu repetidamente como um problema comum, sem que ninguém afirmasse ter encontrado uma solução definitiva.

Pesquisadores demonstraram que os tradutores linguísticos especializados (LLMs) possuem características estilísticas claras e mensuráveis em comparação com tradutores humanos: maior densidade lexical, vocabulário mais sofisticado, tendência ao uso excessivo de travessões e ao uso insuficiente de reticências, além de padrões distintos de extensão de frases. As tentativas de incentivar os mestres em direito a imitar tradutores literários específicos, em sua maioria, fracassaram, com os efeitos da família do modelo (GPT vs. Claude) sendo mais fortes do que o próprio estímulo estilístico.

Uma conclusão fundamental: os mestrados em Direito tornaram o estilo mensurável, mas não o resolveram por completo. Os tradutores humanos permanecem em um espaço estilístico claramente distinto, que os modelos modernos podem alcançar, mas não atingir completamente. A pós-edição por IA pode melhorar a conformidade com o estilo e a terminologia, mas os modelos frequentemente editam em excesso e o feedback humano continua sendo essencial para que os resultados atinjam os padrões desejados.

O ajuste fino ainda importa

Há pouco tempo, existia muito entusiasmo pela ideia de que o estímulo substituiria a adaptação de modelos. As evidências apresentadas na conferência não corroboram essa afirmação. Diversos estudos demonstraram benefícios claros da otimização específica de domínio nas áreas jurídica, biomédica, literária e técnica. Um EuroLLM-22B adaptado para LoRA superou o Claude Sonnet zero-shot na tradução legislativa da UE.

Em linhas gerais: para casos de uso em que a precisão da terminologia, os requisitos de estilo ou as restrições regulamentares são críticos, a adaptação especializada continua sendo valiosa. A solicitação e a recuperação de informações são ferramentas cada vez mais importantes, mas não substituem o conhecimento especializado incorporado em um modelo.

O ato de dar dicas é mais complexo do que a maioria das pessoas imagina.

Nosso artigo sobre otimização manual versus automatizada de prompts (DSPy e GEPA) gerou muita curiosidade em nossa sessão de pôsteres. A maioria dos participantes nunca tinha ouvido falar da GEPA, e muitos perceberam imediatamente sua relevância para seus próprios desafios de expansão. A conversa não parou na marca de uma hora e continuamos até a pausa para o café. Slator relatou a pesquisa da Smartling, observando que a otimização automatizada reduziu a diferença em relação às sugestões de especialistas para terminologia e tradução, embora o julgamento de especialistas ainda se destacasse na detecção de erros de LQA.

De forma mais ampla, a conferência reforçou que o design de prompts não é um problema resolvido. A estrutura importa mais do que a linguagem: uma descrição completa de papel + contexto + público-alvo + propósito reduziu consistentemente os erros de estilo em diversos estudos. Linguistas especialistas preferiram as instruções na língua-alvo em relação às instruções na língua de origem. E a otimização automatizada nem sempre é a melhor opção; depende muito da tarefa.

Línguas com poucos recursos continuam sendo a fronteira mais difícil.

Apesar dos progressos significativos em pares de línguas com muitos recursos, as línguas com poucos recursos e as línguas minoritárias continuam a ser um problema difícil e em grande parte por resolver. Os mestres em língua portuguesa ainda confundem variedades minoritárias com os padrões dominantes, sendo o valenciano praticamente fundido ao catalão padrão um exemplo citado. A geração paralela de dados sintéticos e a destilação de conhecimento baseada em RAG são as abordagens mais promissoras, mas novos conjuntos de dados para idiomas com poucos recursos ainda são escassos.

A tradução automática neural (NMT) também não está morta nesse espaço. Em contextos institucionais com grande disponibilidade de dados, os modelos especializados ainda podem ser vantajosos, principalmente porque têm acesso a um grande volume de dados de treinamento específicos da área, o que justifica o investimento.

A avaliação é o gargalo em discussão.

Gerar traduções tornou-se um problema mais fácil de resolver. O impasse na área reside na definição e mensuração confiáveis da qualidade desses produtos.

Métricas tradicionais como BLEU e TER são cada vez mais insuficientes para casos de uso no mundo real. Uma escolha de gênero errada pode ter um impacto mínimo no TER, mas ser um erro crítico em determinado contexto. As métricas automatizadas, incluindo as métricas tradicionais e as abordagens que consideram o mestrado em direito como critério de avaliação, ainda não conseguem capturar de forma confiável a qualidade dos documentos. E como disse um dos palestrantes: sem uma avaliação melhor, o setor corre o risco de otimizar na direção errada.

A implementação interna está se tornando uma prioridade real.

Outro tema importante foi a crescente relevância estratégica dos mestrados em direito (LLMs) internos e presenciais. Fluxos de trabalho governamentais, jurídicos, parlamentares e empresariais muitas vezes simplesmente não conseguem enviar conteúdo sensível para APIs externas. Os requisitos de residência de dados são reais e vieram para ficar.

Isso cria um mercado genuíno para modelos menores, implantáveis localmente e especializados, não porque sejam necessariamente melhores do que os sistemas de ponta em termos de qualidade bruta, mas porque são controláveis. Facilidade de implementação, suporte a glossário, gerenciamento de guias de estilo, integração com memória de tradução e uma história de segurança confiável são diferenciais reais para uma grande parcela do mercado.

O que estamos levando de volta conosco

A EAMT 2026 confirmou algo que nós da Smartling acreditamos firmemente: o futuro da tradução na produção não se resume apenas a modelos melhores. Trata-se de uma infraestrutura de tradução controlável, auditável, específica para cada domínio e segura, construída sobre robustos Modelos de Aprendizagem Baseados em Aprendizagem (LLMs), fundamentada em memória de recuperação e tradução, adaptada a domínios específicos e refinada por humanos para conteúdo de alta relevância. Também estamos no caminho certo em termos de trabalho nos problemas em aberto, incluindo avaliação, terminologia, estilo e línguas com poucos recursos.

Agradecemos à EAMT por criar o espaço para essas conversas e aos pesquisadores e profissionais que compartilharam seu trabalho tão abertamente. Até o ano que vem.

Tem alguma dúvida sobre nossa pesquisa ou sobre como a Smartling está abordando esses desafios? Entre em contato.