Wat we leerden op EAMT 2026

Dit jaar werden drie teamleden van ons team papers geaccepteerd op EAMT, de jaarlijkse conferentie van de European Association for Machine Translation die onderzoekers, praktijkmensen en professionals uit de industrie samenbrengt om kennis te delen en de stand van zaken in het vakgebied te bespreken. Tussen het presenteren van ons eigen werk en het bijwonen van sessies in het hele programma, kwamen we met een vrij duidelijk beeld van waar MT-onderzoek in 2026 staat en waar het nog een lange weg te gaan heeft.

Marina Sánchez Torrón, Ph.D., Senior Linguïstisch Ingenieur bij Smartling, betreedt het podium op EAMT 2026.

Hier zijn onze belangrijkste inzichten:

Het debat over LLM's is voorbij. Nu komt het moeilijke deel.

Niemand bij EAMT vroeg nog of LLM's voor vertaling moesten worden gebruikt. Die vraag is opgelost. Het gesprek is volledig verschoven naar hoe je ze goed kunt inzetten, en daar wordt het interessant.

Een van de sterkste signalen van de conferentie is dat zelfstandige LLM's zelden voldoende zijn voor productieomgevingen. De opkomende architectuur is niet "LLM in plaats van vertaalgeheugen." Het is LLM plus vertaalgeheugen plus opzoeken. Vertaalherinneringen verdwijnen niet. Ze worden hergebruikt als gecureerde en gecontroleerde kennisbronnen die bedrijfsspecifieke taalkundige kennis direct in LLM-workflows brengen. Hoogwaardige, schone TM's maken steeds meer het verschil, of je nu aan het fine-tunen bent of een RAG-architectuur aan het bouwen bent.

Multi-agent vertaalmethoden kregen wat aandacht, maar de eerlijke conclusie is dat ze nog steeds experimenteel zijn. Het is nog niet duidelijk of commissie-generatie binnenkort productieklaar is.

Terminologie en stijl: vooruitgang, maar niet opgelost

Als er één thema was dat bijna elke sessie doorkruiste, was het dit: algemene taal vertalen is grotendeels eenvoudig. Gespecialiseerde content consequent vertalen is dat niet.

Terminologiebeheer blijft een van de meest significante onopgeloste productieuitdagingen in het vakgebied. Een groot deel van het technische programma richtte zich op terminologievertaling, biomedische inhoud, juridische vertaling en domeinspecifieke aanpassingen, en de frustratie was voelbaar. Het naleven van de stijlgids kwam keer op keer terug als een gedeeld pijnpunt, waarbij niemand beweerde het te hebben opgelost.

Onderzoekers toonden aan dat LLM's duidelijke, meetbare stilistische vingerafdrukken hebben vergeleken met menselijke vertalers: hogere lexicale dichtheid, meer geavanceerde woordenschat, een neiging om te veel strepen en ellipsen te weinig te gebruiken, en onderscheidende patronen van zinslengte. Pogingen om LLM's specifieke literaire vertalers te laten imiteren mislukten grotendeels, waarbij modelfamilie-effecten (GPT versus Claude) sterker waren dan de stijl zelf.

Een belangrijke conclusie: LLM's hebben stijl meetbaar gemaakt, maar ze hebben het niet opgelost. Menselijke vertalers bevinden zich in een duidelijk onderscheiden stilistische ruimte die moderne modellen kunnen benaderen maar niet volledig kunnen bereiken. AI-nabewerking kan de naleving van stijl en terminologie verbeteren, maar modellen bewerken vaak te veel en menselijke feedback blijft essentieel om de output te krijgen waar ze moeten zijn.

Fijn afstellen blijft belangrijk

Nog niet zo lang geleden was er veel enthousiasme voor het idee dat prompting de modeladaptatie zou vervangen. Het bewijs van de conferentie ondersteunt dat niet. Meerdere artikelen toonden duidelijke voordelen aan van domeinspecifieke fine-tuning op juridisch, biomedisch, literair en technisch gebied. Een door de LoRA aangepaste EuroLLM-22B presteerde beter dan Claude Sonnet zero-shot op EU-wetgevingsvertaling.

Het bredere punt: voor gebruikssituaties waarbij terminologieprecisie, stijlvereisten of regelgevende beperkingen cruciaal zijn, blijft gespecialiseerde aanpassing waardevol. Prompting en retrieval worden steeds belangrijkere hulpmiddelen, maar ze vervangen geen domeinexpertise die in een model is ingebouwd.

Prompting bevat meer nuance dan de meesten denken

Ons artikel over handmatige versus geautomatiseerde promptoptimalisatie (DSPy en GEPA) wekte veel nieuwsgierigheid tijdens onze postersessie. De meeste deelnemers hadden nog nooit van GEPA gehoord, en velen zagen meteen de relevantie ervan voor hun eigen schaaluitdagingen. Het gesprek stopte niet bij het uur en we waren er tijdens de koffiepauze. Slator rapporteerde over Smartlings onderzoek, waarbij werd opgemerkt dat geautomatiseerde optimalisatie de kloof met deskundige prompts voor terminologie en vertaling verkleinde, terwijl deskundig oordeel nog steeds leidde tot LQA-foutdetectie.

In bredere zin bevestigde de conferentie dat promptontwerp geen opgelost probleem is. Structuur is belangrijker dan taal: een volledige rol + context + publiek + doelprompt vermindert consequent stijlfouten in de verschillende studies. Doeltaalprompts werden door deskundige taalkundigen verkozen boven prompts uit brontaal. En geautomatiseerde optimalisatie wint niet altijd; Het hangt sterk af van de taak.

Talen met weinig middelen blijven de moeilijkste grens

Ondanks aanzienlijke vooruitgang in taalparen met veel hulpbronnen blijven talen met weinig middelen en minderheidstalen een moeilijk, grotendeels onopgelost probleem. LLM's verwarren nog steeds minderheidsvariëteiten met dominante standaarden, waarbij het Valenciaans als voorbeeld is overgegaan in het standaardCatalaans. Synthetische parallelle datageneratie en RAG-gebaseerde kennisdestillatie zijn de meest veelbelovende benaderingen, maar nieuwe datasets voor onderbedeelde talen zijn nog steeds schaars.

NMT is hier ook niet dood. Voor datarijke institutionele contexten kunnen gespecialiseerde modellen nog steeds winnen, vooral omdat ze toegang hebben tot enorme, domeinspecifieke trainingsdata die de investering de moeite waard maakt.

Evaluatie is de bottleneck die wordt besproken

Het genereren van vertalingen is een makkelijker probleem geworden om op te lossen. Het betrouwbaar definiëren en meten van hun kwaliteit is waar het vakgebied vastloopt.

Traditionele metrics zoals BLEU en TER zijn steeds minder toereikend voor praktijksituaties. Een verkeerde keuze voor geslacht heeft misschien nauwelijks invloed op TER, maar is een cruciale fout in de context. Geautomatiseerde metrics, waaronder traditionele metrics en LLM-als-rechter-benaderingen, slagen er nog steeds niet in om de documentkwaliteit betrouwbaar vast te leggen. En zoals een presentator het verwoordde: zonder betere evaluatie loopt de sector het risico in de verkeerde richting te optimaliseren.

Interne inzet wordt een echte prioriteit

Een ander belangrijk thema was het groeiende strategische belang van interne en on-premise LLM's. Overheids-, juridische, parlementaire en enterprise-workflows kunnen vaak simpelweg geen gevoelige inhoud naar externe API's sturen. De vereisten voor gegevensresidentie zijn echt en ze verdwijnen niet.

Dit creëert een echte markt voor kleinere, lokaal inzetbare, gespecialiseerde modellen, niet omdat ze per se beter zijn dan frontiersystemen qua ruwe kwaliteit, maar omdat ze beheersbaar zijn. Implementatiemogelijkheden, glossariumondersteuning, stijlgidsafhandeling, integratie van vertaalgeheugen en een geloofwaardig beveiligingsverhaal zijn echte onderscheidende factoren voor een groot segment van de markt.

Wat we meenemen

EAMT 2026 bevestigde iets waar we bij Smartling sterk over denken: de toekomst van productievertaling is niet alleen betere modellen. Het is een beheersbare, auditbare, domeinspecifieke en veilige vertaalinfrastructuur die is gebouwd op sterke LLM's, gebaseerd op geheugen voor ophalen en vertaling, aangepast aan specifieke domeinen en door mensen verfijnd voor content met hoge inzet. We zitten ook op het juiste spoor als het gaat om het werken aan openstaande problemen, waaronder evaluatie, terminologie, stijl en laag-resource talen.

We zijn EAMT dankbaar voor het creëren van ruimte voor deze gesprekken, en voor de onderzoekers en praktijkmensen die hun werk zo openlijk deelden. Tot volgend jaar.

Vragen over ons onderzoek of hoe Smartling deze uitdagingen aanpakt? Neem contact op.