没有不值得去解决的问题,也没有不值得去学习的技术!

A Tour of Go 翻译质量再评估:Codex High 已接近 ChatGPT High,我决定调整默认翻译引擎

【图 6:全部评审结束以后才读取 secret key,完成最终揭盲】

作者:

在

Go 学习与文档多语言本地化项目

图3:访问过去的 Go Tour 简体中文站 tour.go-zh.org 时,当前已经无法正常建立连接。

(1) 从「A Tour of Go 中文版」这个搜索词开始:我决定做一个持续维护的 Go Tour 中文版

本地运行的 A Tour of Go「Methods continued」课程页面,左侧为课程说明,右侧为 Go 代码编辑器及运行结果。

(2) A Tour of Go 中文版项目设计冻结:从 101 页到 103 页,从 Gin 转向 Cobra CLI

A Tour of Go 中文版开发实战:英文基线、在线运行与 101 页上游同步体系

(3) A Tour of Go 中文版开发实战:英文基线、在线运行与 101 页上游同步体系

go-tour-i18n 项目完成首个简体中文课程页面 welcome/1 的整页翻译、结构校验和本地预览。

(4) A Tour of Go 多语言翻译项目实录:完成首个 zh-CN 页面翻译闭环

图 1:DeepSeek 官方更新日志显示,本次只更新 DeepSeek-V4-Flash,DeepSeek-V4-Pro API 与 APP、Web 模型均未更新

(5) A Tour of Go 中文翻译项目进展:完成前 8 页、修复 present 语法,并暂缓 DeepSeek 对比

图 1:generics/1 简体中文页面本地预览

(6) 一个页面重试五次:使用 GLM-5.2 翻译 A Tour of Go 时遇到的 Token 与 Present 结构问题

图 1:methods/16 简体中文页面浏览器预览

(7) A Tour of Go 中文翻译实录:如何只翻译教学代码注释,而不破坏 Go 代码

图 2:A Tour of Go methods/20「练习:错误」中文候选页面最终渲染效果

(8) A Tour of Go 多语言翻译:当正确的中文语序被受保护标记顺序校验误判

图 3:methods/24 中文页面,静态代码、Bounds 行内代码和链接内的 image.Rectangle 均正确渲染

(9) A Tour of Go 中文翻译完成 7 个代表页校准:最后 3 页又发现了哪些真实问题

图 2:首批 10 个普通页面经过试跑与流程校准后全部进入 ready

(10) A Tour of Go 多语言翻译项目:首批 10 个普通页面试跑,从 2 个 blocked 到全部 ready

图 2:flowcontrol/6 最终中文页面,return 与 v 为适应自然中文语序发生整体换位

(11) A Tour of Go 中文翻译第二批实跑:从 Inline Code 顺序误判到历史响应重新验证

图 1:flowcontrol/6 首次原始输入实验直接通过统一自动校验

(12) A Tour of Go 多语言翻译项目:从 swap 问题重新审视 Token 保护,原始输入与最小保护的一次真实实验

图 7:moretypes/1 最终中文页面预览。左侧课程正文、静态代码块、行内代码和教学注释均正常渲染,右侧官方 Go 示例继续保持原样。

(13) A Tour of Go 多语言翻译实战:第三批 10 页全部 Ready,继续校准 Protected Token 的结构角色

图 4:上游源码确认共有 103 个课程页面,zh-CN 最终达到 ready=103、pending=0、blocked=0

(14) A Tour of Go 多语言翻译项目:zh-CN 103 个课程页面全部 ready,课程正文翻译阶段完成

图 4:GitHub 与 ChatGPT 已成功连接

(15) ChatGPT 连接 GitHub 实测:让 AI 直接读取 go-tour-i18n 仓库参与译文审核

图 3:中文 Go 术语校准完成后,将确定的译法写入 zh-CN glossary

(16) 为什么 channel 最终选择“通道”:A Tour of Go 中文术语统一的一次实践

图 1:技术含义基本正确,但“返回一个返回……”已经明显影响阅读,因此仍被列入 C 类修订

(17) 103 页逐页审核后,只返修 16 页:A Tour of Go 中文正文发布前质量审计

图 2:中文课程页面以及已经完成本地化的编辑器控制区

(18) A Tour of Go 多语言翻译项目:公共 UI 本地化完成,从课程译文走向完整中文界面

图 2:完整 zh-CN 正式投影成功生成,103 个课程页面被重新组装为 7 个 .article

(19) 从 103/103 ready 到完整站点验收:A Tour of Go 中文版补齐正式投影与课程元数据本地化

图 3:从 production bundle 独立启动的 A Tour of Go 简体中文页面,课程正文、公共 UI 和官方 Go 示例均已进入最终发布形态。

(20) A Tour of Go 多语言翻译项目:103 页全部完成后,我终于生成了可独立部署的 zh-CN Production Bundle

图 1:A Tour of Go 简体中文版正式生产页面,远程运行已经成功输出“Hello, 世界”。

(21) A Tour of Go 多语言翻译项目:zh-CN 正式上线,从生产发布到 go.dev Playground 的完整部署记录

图 1:新生产域名 go-dev.shuijingwanwq.com 已正常访问,Go 示例远程运行成功

(22) A Tour of Go 多语言翻译项目:从 go-tour 到 go-dev,完成 EdgeOne、Nginx 与 HTTPS 生产域名迁移

图 1:A Tour of Go 多语言翻译项目正式生产首页

(23) A Tour of Go 多语言翻译项目正式上线:从项目首页、公共 Footer 到生产发布元数据的完整收尾

图 3:GA4 g/collect 请求返回 HTTP 204,并携带当前课程页面地址,确认 Google Analytics 已产生真实事件上报

(24) A Tour of Go 多语言翻译项目:接入 Google Analytics 与百度统计,从 systemd 注入到 EdgeOne 与真实上报验证

图 1:生产环境 robots.txt 与 sitemap.xml 已正确对外提供,Sitemap 共包含 104 个规范 URL。

(25) A Tour of Go 中文站上线后:补齐 robots.txt、Sitemap,并完成五大搜索引擎提交

图 4:发布生产并刷新 EdgeOne 缓存后,再次通过真实手机访问,顶栏项目名称已经完整保持在一行,最终移动端验收通过。

(26) A Tour of Go 多语言翻译项目:修复手机端首页顶栏标题换行,并完成真机验证

图 3:生产自动部署脚本第一次真实运行时,systemd 已经显示 active,但首次 localhost 探测仍然得到 HTTP 000;随后连续 3 次同时满足 active + HTTP 200 后,脚本才判定部署成功,并继续完成公网 HTTP 200 验收。这次真实运行验证了连续应用层健康检查的必要性。

(27) A Tour of Go 多语言翻译项目:从一次 203/EXEC 故障到生产自动部署脚本落地

图 1:阿里云生产环境访问 go.dev Playground 时出现 TLS 握手超时

(28) A Tour of Go 多语言翻译项目:为 Playground 搭建独立的 ZgoCloud 执行代理

图 3:清除 /tour/script.js 缓存后,Run 已直接请求 ZgoCloud /compile 并返回 HTTP 200

(29) A Tour of Go 多语言翻译项目:将生产 Run / Format 切换到 ZgoCloud 执行节点

【图 1:微信中运行 Go 示例时出现 Error communicating with remote server.】

(30) A Tour of Go 中文版手机端运行与格式化偶发失败排查:从间歇性报错到补强 Nginx 可观测性

【图 4:向 golang-dev 公开邮件列表发送 Playground 使用告知邮件并投递成功】

(31) A Tour of Go 多语言项目:为 Playground 代理增加唯一 User-Agent,并主动告知 Go 官方

【图 3:百度剩余 9 个核心 URL 提交成功,remain 归零】

(32) A Tour of Go 搜索引擎收录实测:从 Google 自然索引到百度主动提交与 Bing IndexNow

【图 1:当前正式中文 methods/24 页面,右侧示例代码运行成功】

(33) A Tour of Go 中文翻译完成后,我为什么重新评估 minimal-protect 翻译模式

【图 3:5 个页面 Request SHA256 完全一致,但 Response SHA256 全部不同】

(34) A Tour of Go 翻译实验:更多原始上下文为什么没有更好?从 157 个保护标记到 30 次重复盲评

图 3:3 个代表页 × 4 个评审模型,共 12 次匿名评审的完整排名与第一名票数。

(35) A Tour of Go 翻译质量再评估:minimal-protect 未达预期后,我开始比较 ChatGPT、Codex 与 GLM-5.2

图 2:GitHub 中的 chatgpt-zh-CN-008 重译批次。一个 Batch 同时保存 inputs、raw-responses、candidates、validation 和 retry 记录,GitHub 成为 ChatGPT 与本地翻译流水线之间的数据交接层。

(36) 没有 OpenAI API,我如何用 ChatGPT + GitHub 完成 A Tour of Go 103 页全量重译

图 1:103 个正式课程页面完成最终语义质量审核,结果为 A=103、B/C/D=0,同时不存在缺失、重复或额外页面。A/B/C/D 是本轮项目内部语义质量分级,并不是自动结构 validator 的结果。

(37) 103 页翻完还不能发布:A Tour of Go ChatGPT 译文的语义审核与 Canonical Promotion

图 3:7 个 article endpoint 的 production origin 与 EdgeOne 公网响应全部 exact match,同时新的 ChatGPT 译文标记存在,旧版译文标记已经消失。

(38) 103/103 与 7/7 Exact Match:A Tour of Go ChatGPT 新译文的最终线上验收

【图 2:upstream source preview】

(39) A Tour of Go 多语言翻译项目首次实现 upstream 同步机制:从一次性翻译到长期维护

图 2:A/B/C/D 质量评级规则,展示正式质量 rubric 与 Promotion gate。

(40) A Tour of Go 多语言翻译项目引入 Translation Quality Review:从自动验证到 AI 翻译质量控制

图 4:翻译后 Playground Example,展示中文注释与保持不变的 Go 代码结构。

(41) A Tour of Go 多语言翻译项目实现 Playground Example 本地化:从代码注释翻译到完整学习体验

图 5:公网页面验证广告脚本输出

(42) A Tour of Go 多语言翻译项目接入广告系统:从 AdSense 专用配置到通用 HTML 注入架构

图 3:百度统计单页应用设置

(43) go-dev 单页网站接入统计与 Google AdSense Auto Ads 验证记录

图 1:GitHub 仓库中的多语言翻译项目结构

(44) A Tour of Go 多语言翻译项目:选择日语作为第二语言并启动翻译验证

图 5:模型身份描述不一致

(45) A Tour of Go 多语言翻译项目中的 AI 协作异常排查:一次长期工程会话失效分析

【图 1:ChatGPT GitHub 写入流程调整说明截图】

(46) go-tour-i18n 翻译流程调整:从 ChatGPT GitHub 写入到本地 artifact 导入

图 4 展示了本次异常状态。

(47) go-tour-i18n 翻译自动化流程复盘:已验证的 ChatGPT 翻译能力在新任务中的稳定性问题

【图 6:全部评审结束以后才读取 secret key,完成最终揭盲】

(48) A Tour of Go 翻译质量再评估:Codex High 已接近 ChatGPT High,我决定调整默认翻译引擎

图 4:ja-JP 生产课程页实际运行 Go 示例

(49) A Tour of Go 日语版正式上线:第二门语言 ja-JP 完成生产发布

图 1:ja-JP 上线以后,先提交“新增语言标准化流程”

(50) A Tour of Go 多语言扩展复盘:为第三门语言建立标准化流程

图 1:课程正文结束以后,页面左侧仍然存在大块视觉空白,但 AdSense 并没有在这里插入展示广告。

(51) A Tour of Go 明明有大片空白,为什么 AdSense 就是不显示展示广告?

图 2:golang/website 当前的 _content/tour/。课程内容、静态资源和模板都在这个上游目录中持续维护。

(52) 为了 AdSense,要不要放弃 SPA?A Tour of Go 页面架构的一次取舍

图 4:最终的手动课程广告真实展示在课程内容区域内,而不是 footer 之后。

(53) 保留 SPA 以后,广告应该放在哪里?从 AdSense 预览到方案 B

图 1:Google Search Console 中,多个不同的 A Tour of Go 课程 URL 被判断为“重复网页,用户未选定规范网页”。

(54) SPA 的 SEO 老问题:为什么最后还是给 103 个 A Tour of Go 课程页生成了 Prerender HTML

图 2:方案 B 生产环境中,源码已经正常,但课程主体高度异常缩短,footer 提前进入第一屏。

(55) 从源码空白到 AdSense 高度污染:A Tour of Go 方案 B 的生产收尾

图 1:A Tour of Go 德语版 de-DE 已正式运行在生产环境

(56) A Tour of Go de-DE 上线复盘:第三门语言用了约 16 小时,下一门如何压到 8 小时?

图 1:fr-FR 首次 production 验收完成后,我没有立即开始 ko-KR,而是先连续完成新增语言与首次生产流程的优化

(57) 法语版上线后,我没有马上开始韩语:A Tour of Go 新增语言流程的一轮完善与简化

图 1:根据 ko-KR 期间 76 次 Git 提交估算实际工作时间

(58) 原本预计 6 小时,最后用了约 16~18 小时:A Tour of Go 韩语版上线复盘

图 2:英文 source 与当时发生 validation failure 的 ko-KR candidate 对比

(59) Validator 报错,到底该改译文还是改规则?一次 A Tour of Go 韩语翻译实战

图 2:法语 A Tour of Go 仓库目前已经归档,页面仍保留 553 Commits 和 61 Contributors 的历史

(60) 从法语 553 次提交到韩语两代离线:A Tour of Go 社区翻译为什么难以长期维护

【图 4:es-ES 首次 Production 收口后连续完成的流程优化 commit】

(61) 从 es-ES 首次上线复盘:我把 A Tour of Go 新增语言的 Production 流程又收敛了一轮

图 1:旧公网验收链路连续出现 curl 28 超时,最终导致 public-machine 阶段失败

(62) A Tour of Go Production 公网验收踩坑:从跨境 SOCKS 链路改为 zgocloud direct

图 1:两次 Production Machine Acceptance 都已经通过,但 Headless Chrome 分别在 / 和 /tour/ 判定页面没有完成渲染

(63) 页面明明能打开,为什么 Headless Chrome 仍然判定 Production 失败?

图 3:Bing 从 Google Search Console 中识别到新的 it-IT 站点,并同时发现已有的 1 个 sitemap

(64) GSC → Bing Webmaster Tools:多语言站点如何减少重复验证

图 3:英文站 3 小时内出现 565 个 Cloudflare 来源 URL

(65) IndexNow 实战:手工提交长期不显示,Cloudflare Crawler Hints 却很快出现在 Bing Webmaster Tools

【图 1:A Tour of Go 项目首页目前的语言版本列表】

(66) 从 nl-NL 到 tr-TR:A Tour of Go 连续上线三门语言后,我又优化了哪些流程

【图 4:Go local 页面中已经出现 French、German、Korean、Simplified Chinese】

(67) 从邮件无人回复到进入 Go 官方 Go local:我的 4 个 A Tour of Go 翻译站终于被收录

图8:最终只保留一把启用的新 API Key

(68) 腾讯云 EdgeOne API 自动化:从 CAM 子用户到最小权限 API Key 的完整配置

【图 7:Production Release Batch 最终汇总】

(69) 从同步 Go 官方上游到一个命令发布 10 个语言站:A Tour of Go Production 流程的再次收敛

【图 3:Cloudflare Smart Tiered Cache 已启用】

(70) Cloudflare 缓存 HIT 很快,MISS 却不稳定:回源阿里云杭州的一次真实优化

【图 3:简体中文站 Support 页面】

(71) 广告之外,社区项目如何长期活下去?我给 A Tour of Go 多语言项目加了 Support

图5:评论成功发布

(72) 从 Go Weekly 到 Reddit、DEV 和 Go Forum:第一次系统推广 A Tour of Go 多语言项目

【图 4:RTL 桌面课程布局修复后的效果】

(73) 第一次把 A Tour of Go 做成 RTL:阿拉伯语版本上线,以及我踩过的几个坑

多语言项目应该先做哪些语言?我的 66 个语言版本商业优先级排序

(74) 多语言项目应该先做哪些语言?我的 66 个语言版本商业优先级排序

当术语一致性遇到性能瓶颈:Go 多语言翻译项目的一次架构取舍

(75) 当术语一致性遇到性能瓶颈:Go 多语言翻译项目的一次架构取舍

从 A Tour of Go 走向 Go Learning & Documentation:为什么这个多语言项目需要 v2

(76) 从 A Tour of Go 走向 Go Learning & Documentation:为什么这个多语言项目需要 v2

Markdown 明明可以拆成很多段,为什么 v2 仍然坚持一个 Page 就是一个 TranslationUnit

(77) Markdown 明明可以拆成很多段,为什么 v2 仍然坚持一个 Page 就是一个 TranslationUnit

Tour、Learn、Docs 为什么不应该各维护一份术语表:v2 的统一 Glossary 设计

(78) Tour、Learn、Docs 为什么不应该各维护一份术语表:v2 的统一 Glossary 设计

v2 术语表变更后的页面影响范围判断流程:区分 Compatible 与 Affected,只处理真正受影响的页面。

(79) 术语表改了,为什么不应该让所有页面重新翻译?v2 的影响范围判断

CLI 性能优化示意图:通过 Prepare Once、Reuse Many Times,将执行时间从 6m54.554s 降至 10.335s,约提升 40.1 倍。

(80) 从 6 分 54 秒到 10.3 秒:Go 多语言项目一次 CLI 性能优化实战

Markdown Page 经过 Parse / Protect、Generation 和 Reconstruct / Validate 的流程示意图,强调保护 inline code、链接、代码等机器语义,同时允许译文按照自然语言调整语序。

(81) Markdown 不是纯文本:Learn / Docs 为什么需要新的 parser 与结构保护

历史为什么值得保留:复用已经完成的翻译成果,而不是重新做一遍

(82) 历史为什么值得保留:复用已经完成的翻译成果,而不是重新做一遍

历史状态通过 Trusted Checkpoint 建立可信断点,旧记录继续保留用于审计和诊断,后续工作流从当前状态继续向前,不再要求无限重建过去。

(83) 历史应该被保留,而不是被反复重建:v2 为什么最终需要一个“断点”

v2 依赖与失效传播流程图:从内容变化开始,评估依赖关系和真实影响,将结果区分为“仍然有效”和“需要失效”,只让真正受影响的状态重新进入流程。

(84) 一次内容变化,到底应该让哪些状态失效?v2 的依赖与失效传播设计

v2 本地内容覆盖判断流程图:官方英文页面先检查是否已有正式本地覆盖,有覆盖时使用本地 URL,没有覆盖时直接链接 go.dev,并保持本地路径真实 404。

(85) 有英文页面,不代表一定应该有本地页面:v2 如何处理本地内容覆盖、canonical 与真实 404

v2 代码注释完整性审计流程图:从源页面建立代码块清单,分类教学注释、机器语义和无法判断的内容,再与当前译文精确对应,确认 missing、extra 和 protected mutation 均为 0。

(86) 代码块里的注释为什么不能只靠肉眼检查?v2 如何统计并验证代码注释翻译完整性

结构化语义输入扩展示意图:同一份 books.yaml 原始文件保持不变,旧 parser 识别 10 个可本地化单元,当前 parser 识别 12 个,并新增 PDF 和 GitHub,确认旧单元无删除无修改后重新进入 Generation。

(87) 原始文件一个字没变,为什么还要重新翻译?从 books.yaml 10→12 看语义输入扩展

v2 Activation 流程图:Surface PASS 后先执行只读 activation-preflight 获取 prior_sha256,activation-apply 时通过 CAS 再次比较当前状态,只有 current 等于 prior 才提交 result_sha256,否则停止并重新 preflight。

(88) 审核都通过了,为什么上线前还要再检查一次?v2 的 Activation、prior SHA 与 CAS 设计

v2 分层验证流程图:TranslationUnit、Package Closure 和 Integrated Surface 均通过后进入 Activation,再由 Preview 检查 LoadContent、Compose、Resolver 和 Renderer 的真实运行链;如果实际使用错误 renderer,即使前置内容全部通过,Preview 仍然失败。

(89) Surface 已经 PASS,为什么 Preview 还是会失败?从一次 wrong renderer 看分层验证的价值

更快不一定更好:为什么我主动撤销了一次已经明显变快的性能优化

(90) 更快不一定更好:为什么我主动撤销了一次已经明显变快的性能优化

TranslationUnit 同类问题完整性示意图:左侧 Reviewer 只列出 3 个 examples,Generation 只修这 3 处后仍留下 5 个同类问题,re-QC 再次判 B;右侧 Reviewer 明确 defect category 和 bounded scope,Generation 执行 same-class complete sweep,最终同类残留为 0 并进入 re-QC A。

(91) 为什么修完 Reviewer 指出的所有例子,下一轮还是会失败?从 B→revision→B 看同类问题完整性

immutable source 与 replacement successor 示意图:左侧直接把旧 canonical source A 覆盖成 source B,会使旧 Generation、Review 和 Closure evidence 失去准确对应;右侧保留 source A 作为 immutable predecessor,为新正文建立 source B successor,并重新进入 corpus、glossary review、Generation、QC、closure、Surface 和 Activation 生命周期。

(92) 页面明明是我自己的,为什么不能直接重写?从 /translation/ 改版看 immutable source 与 replacement successor

protected representation 修订能力示意图:左侧 http.Client 被正确保护为 token;中间普通自然语言 Documentation 被错误保护为 opaque token,导致合法 revision 被阻塞;右侧保留旧 representation,通过 representation successor 建立新的可编辑表示,再继续 Generation 和独立 re-QC。

(93) 保护机制也会保护错东西:为什么一个 Documentation 能阻塞整页修订?

一个候选快照原本只应包含 1 个首页翻译单元,却因内容包范围未显式绑定而错误纳入 122 个翻译单元;通过 --content-package site-v2-shell 明确内容包后恢复到正确范围。

(94) 一个候选快照为什么突然多出 122 个单元?从隐式范围到显式内容包契约

Shell 自动化中,当前性检查命令失败并打印 RESULT=FAILED,但由于顶层子 Shell 中错误使用 return,后续命令仍继续执行,最终又打印出错误的 RESULT=PASS。

(95) 命令明明失败了,为什么最后还是 PASS?一次 Shell 自动化的 fail-closed 教训

【图8:Google AI 概览——引用网站的课程目录页】

(96) 同一个 Go 语言之旅网站,Bing、Google 和百度的搜索表现差距有多大?

多个正式命令原本分别重复构建当前内容成员、历史审核链、回执、SHA 和身份标识等可信环境;优化后改为先建立一次已验证的执行环境,再由 current-check、result-pack、import 等连续命令安全复用。

(97) 一个命令快了还不够:为什么我的性能优化开始转向跨命令环境复用

learn-docs-v1 原本以 49 个页面完成了翻译、审核和最终确认,后来发现还缺少 /doc/ 与 /doc/install 两个页面,导致内容包必须从 49 Page 迁移到 51 Page。图片对比了“后期补齐造成迁移成本”和“在 Generation 前先完成成员完整性审计”两种方式。

(98) 只是多了 2 个页面,为什么却触发了一次 49→51 的迁移?

【图2:维护者在 GitHub Issue #1 中回复,说明 math.pi 是官方课程有意设计的教学示例】

(99) 开源项目收到第一个 Issue:为什么我最终选择不修改代码?

一个翻译项目,为什么最后花了大部分时间证明基础设施?

(100) 一个翻译项目,为什么最后花了大部分时间证明基础设施?

【图2:GitHub Secret Scanning 显示 Google API Key 告警】

(101) GitHub 提示 Google API Key 泄露:为什么我最终选择了 Won’t fix?

今天继续处理 A Tour of Go 多语言翻译项目时,我终于重新验证了一个已经影响实际翻译进度的问题:

Codex 的翻译质量,究竟是真的明显低于 ChatGPT,还是之前的实验条件本身存在一个没有被充分控制的变量?

真正推动我重新做这次实验的,并不是 Codex 最近才开始支持更高推理强度。

事实上,上一次进行 ChatGPT、Codex 与 GLM-5.2 翻译质量对比时,Codex 同样已经可以选择不同的推理强度,只是当时我沿用了默认的轻度推理;而 ChatGPT 使用的是高推理强度。

当时并没有特别把“推理强度”作为主要实验变量。

而现在之所以必须重新验证,是因为另一个更加现实的问题:

目前以 ChatGPT 作为主要 TranslationUnit 翻译引擎的方案,已经无法稳定地支撑实际翻译工作继续推进。

前一篇文章中,我刚刚记录了这段调整过程:

最初,我希望 ChatGPT 在读取 GitHub 中正式导出的 retranslation batch 以后,完成整个 TranslationUnit 翻译,并生成一个 raw-responses 压缩包供本地下载和导入。

这个流程以前已经验证可以执行。

但到了新的正式批次中,稳定性开始成为真正的问题。

有时 GitHub 中的 batch 和 inputs 已经读取完成,后面的 TranslationUnit 翻译却迟迟无法真正生成;有时翻译过程停在中间,需要不断继续;即使最终生成部分结果,继续生成完整 ZIP artifact 也可能再次卡住。

后来为了降低交付复杂度,我又把方案进一步简化:

不再要求生成 ZIP,改成只生成一个 translation-result.json。

本地项目再增加:

retranslation import --translation-result

负责把 JSON 导入 raw-responses/。

从流程设计上看,这已经比 ZIP 简单很多。

但实际继续测试以后,问题仍然没有消失。

即使只是要求生成 JSON,ChatGPT 仍然可能长时间停留在“准备生成”“继续生成”的状态,却没有真正产生完整 TranslationUnit 结果。

所以现在的问题已经不是:

这个方案的自动化程度还不够高。

而是:

这个方案本身无法稳定支撑批量翻译工作持续推进。

如果 ChatGPT 仍然可以稳定完成每一个 batch,那么即使需要下载一次 JSON、再本地 import 一次,我其实完全可以继续接受。

但当真正的翻译生成过程本身都会频繁卡住以后,我就必须重新回答一个更现实的问题:

Codex 的翻译质量,现在是否已经足够接近 ChatGPT,从而可以承担正式生产翻译任务?

而更早之前,我已经做过一次专门的翻译质量实验:

那一次实验中,ChatGPT 的整体表现明显更好。

所以即使 Codex 在工程执行层面一直更加方便,我此前仍然没有直接把默认翻译引擎切换到 Codex。

原因很简单:

这个项目中,我最看重的仍然是最终翻译质量。

如果只是为了执行方便,却明显降低最终译文质量,那么这种自动化没有太大意义。

上一次实验真正证明了什么

重新回头看上一篇质量实验时,我发现一个非常值得重新验证的变量。

当时:

ChatGPT 使用的是高推理强度。

Codex 使用的是默认的轻度推理强度。

也就是说,那次实验真正能够证明的更接近:

ChatGPT High > Codex 轻度

而不是:

ChatGPT High > Codex High

更不能直接推导出:

即使 Codex 同样使用高推理强度,翻译质量仍然一定明显低于 ChatGPT。

上一次实验时,Codex 并不是没有更高推理强度可以选择,只是当时没有把这一点作为主要变量单独控制。

而今天,ChatGPT 作为默认翻译引擎已经在实际工作中出现了持续的稳定性问题。

既然原来的方案已经影响正式翻译进度,那么以前因为“翻译质量明显不如 ChatGPT”而被排除的 Codex,就必须重新评估。

所以这一次我主动测试:

  • ChatGPT GPT-5.6 High
  • Codex GPT-5.6 Sol High
  • Codex GPT-5.6 Sol Extra High

看看提高 Codex 推理强度以后,之前的质量差距究竟还剩多少。

这一次仍然选择简体中文,而不是直接拿正在推进的日语翻译测试。

原因是中文更容易进行多模型质量评审,同时也能尽量复用上一篇实验已经建立起来的评审方法。

重新选择 5 个 TranslationUnit

这次选择了 5 个完整 Page TranslationUnit:

  • methods/24
  • concurrency/7
  • concurrency/11
  • generics/1
  • flowcontrol/8

其中前三个:

  • methods/24
  • concurrency/7
  • concurrency/11

正好也是上一篇翻译质量实验使用过的代表页面。

另外增加:

  • generics/1
  • flowcontrol/8

让样本覆盖接口、并发、泛型、控制流和练习页面。

三个候选分别为:

  • ChatGPT GPT-5.6 High
  • Codex GPT-5.6 Sol High
  • Codex GPT-5.6 Sol Extra High

这里还有一个容易混淆的细节。

Codex 的推理强度并不是通过 Prompt 中写一句“High”或“Extra High”来控制,而是由我直接在 Codex 界面中选择。

所以这次 Codex High 和 Extra High 的区别,是实际模型运行配置不同,而不是 Prompt 中写了不同文字。

实验输入不再直接使用英文源文件

这一次,我也没有简单把原始 .article 文件交给三个模型翻译。

项目正式生产流程中的最小翻译单位已经确定为 TranslationUnit,因此实验也应该尽量模拟真实生产环境。

我先通过正式 retranslation export 流程导出一个 zh-CN 实验 batch:

chatgpt-zh-CN-quality-experiment-001

其中包含 5 个正式 TranslationUnit input。

这些 inputs 已经经过项目的 protected token 处理,可以看到类似:

GTI18N_*

这样的保护标记。

这一步的目的,是让三个模型面对与正式生产翻译尽可能一致的输入,而不是为了实验专门准备一套更简单的纯文本。

不过就在这里,我还是踩了一个很重要的坑。

第一轮实验必须作废:我漏掉了 glossary

最开始,我以为:

正式 TranslationUnit input + protected token

已经足够模拟生产翻译条件。

三个模型都顺利完成了翻译,protected token 的数量和顺序也完全一致。

随后我把 15 个候选送入正式 Engineering Gate。

结果:

  • restore:15 / 15 成功
  • validation:12 / 15 通过

三个失败项全部来自:

concurrency/11

而且错误完全相同:

candidate contains forbidden locale translation "幻灯片"

原因很快就找到了。

locales/zh-CN/glossary.yaml 中已经明确规定:

slide => 页面

slides => 页面

同时:

幻灯片

属于禁止使用的 zh-CN 译法。

三个模型却都很自然地把 slides 翻译成了“幻灯片”。

这并不是三个模型同时发生了什么奇怪故障。

真正的问题是:

我只给了它们正式 TranslationUnit input,却没有把完整目标语言 glossary 同时作为正式翻译条件提供。

换句话说,这一轮虽然结构输入已经接近生产环境,但翻译上下文仍然不完整。

所以 12 / 15 的 Engineering Gate 结果不能简单归咎于模型本身。

更不能为了让实验继续,直接手工把三个“幻灯片”替换成“页面”。

那样虽然可以让 validation 通过,却已经破坏了候选的独立性。

正确处理只能是:

废弃第一轮 A / B / C
↓
继续使用完全相同的 5 个正式 TranslationUnit inputs
↓
加入完整 locales/zh-CN/glossary.yaml
↓
重新生成三个候选
↓
重新随机匿名化
↓
重新执行 Engineering Gate

【图 1:发现 glossary 条件遗漏后重新设计 v2 实验,同时在 Codex 中实际选择 GPT-5.6 Sol High】
【图 1:发现 glossary 条件遗漏后重新设计 v2 实验,同时在 Codex 中实际选择 GPT-5.6 Sol High】

这意味着又要重新翻译一次 5 × 3。

不过这一轮重做是必须的。

因为我真正要验证的不是:

“模型随便翻译一下谁更好”。

而是:

哪个模型真正适合成为 go-tour-i18n 正式生产流程中的 TranslationUnit 翻译引擎。

Codex High 与 Extra High 分别重新生成

重新生成以后,我首先检查 Codex High。

5 个 TranslationUnit 全部完成,并通过了:

  • JSON 解析
  • unit_id 完整性检查
  • GTI18N protected token 数量、内容和顺序检查
  • 链接与 .article 结构检查
  • glossary mandatory / preferred / forbidden 检查
  • slides => 页面 检查
  • 禁止词检查

5 个 TranslationUnit 中一共包含 86 个 protected token,全部一致。

“幻灯片”出现次数变为:

0

【图 2:Codex GPT-5.6 Sol High 完成 v2 翻译及完整检查】
【图 2:Codex GPT-5.6 Sol High 完成 v2 翻译及完整检查】

随后用完全相同的 TranslationUnit、完全相同的 glossary 和完全相同的任务要求,再执行 Codex Extra High。

唯一主动改变的变量,就是我在 Codex 界面中把推理强度从:

High

改成:

Extra High

Extra High 同样完成 5 个 TranslationUnit,并通过全部前置检查。

【图 3:Codex GPT-5.6 Sol Extra High 完成 v2 翻译及检查】
【图 3:Codex GPT-5.6 Sol Extra High 完成 v2 翻译及检查】

至此三个新的 v2 候选才真正具备可比较性:

  • ChatGPT GPT-5.6 High
  • Codex GPT-5.6 Sol High
  • Codex GPT-5.6 Sol Extra High

每个 TranslationUnit 独立随机匿名

下一步没有直接拿三个模型名字去评审。

我把三个 JSON 中的 15 个候选拆成:

5 个 TranslationUnit × 每页 3 个 candidate

然后进行匿名化。

这里没有简单设置:

A = ChatGPT
B = Codex High
C = Codex Extra High

并让这个映射贯穿全部 5 页。

而是对每一个 TranslationUnit 独立随机 A / B / C。

例如一页中的 A 可能来自 Codex High,下一页中的 A 又可能来自 Codex Extra High。

这样做可以降低评审者从前几页逐渐猜出某个 Candidate 风格以后,对后续页面产生先验判断的可能。

最终生成:

15 个匿名 .article 候选。

真实映射则单独保存在 secret key 中,在全部评审结束以前不读取。

【图 4:重新生成 v2 匿名包,5 个 TranslationUnit 共拆分为 15 个匿名候选】
【图 4:重新生成 v2 匿名包,5 个 TranslationUnit 共拆分为 15 个匿名候选】

第二次 Engineering Gate:15 / 15 全部通过

匿名化以后,又重新调用项目正式 retranslation process、restore 和 validator。

这一次:

  • Protected token restore:15 / 15
  • Validation:15 / 15
  • restore failed:0
  • validation failed:0

Engineering Gate:

15 / 15 PASSED

到这里,15 个候选正式冻结。

之后不再修改候选译文、不再改变匿名规则,也不再重新生成。

冻结语言评审 Prompt

为了避免不同评审模型收到不同上下文,我又生成了一份统一的冻结版匿名评审 Prompt。

其中包含:

  • 5 个完整英文 TranslationUnit
  • 每页对应的 Candidate A / B / C
  • 完整 zh-CN glossary
  • 相同的评分维度
  • 相同的输出 JSON 格式

同时记录 SHA-256:

94a386eca3680a663409f3be4a7e770310189bb762733cd435ff40f7d91a2add

检查结果包括:

  • TranslationUnit:5
  • Candidate:15
  • GTI18N 残留:0
  • 匿名信息泄露检查:PASSED
  • candidate 哈希生成前后一致
  • secret key 未读取
  • 仓库 tracked 文件未修改
【图 5:冻结版匿名评审 Prompt、SHA-256 与匿名泄露检查结果】
【图 5:冻结版匿名评审 Prompt、SHA-256 与匿名泄露检查结果】

从这一刻开始,各评审模型看到的是完全相同的一份材料。

四个独立模型参与匿名评审

最终实际使用了四个评审模型:

  • DeepSeek
  • 豆包 2.1
  • GLM-5.3
  • ChatGPT GPT-5.6 High

这里和上一篇实验略有不同。

上一篇使用的是 GLM-5.2,这一次实际评审时已经使用 GLM-5.3。

为了降低 ChatGPT 对自身候选潜在自评偏差的影响,我把:

DeepSeek + 豆包 2.1 + GLM-5.3

作为主要的外部评审结果。

ChatGPT GPT-5.6 High 的评审作为第四份辅助结果。

每个 TranslationUnit 的评分仍然是 100 分:

维度分值
技术准确性30
忠实原文20
中文自然度20
教学表达15
术语一致性10
可读性5
总分100

同时每个评审者还必须给三个候选做严格排名,并记录:

  • critical
  • major
  • minor

三个等级的问题。

所有评审完成以前,我都没有读取 secret key。

先锁定评分,再揭盲

全部评分完成以后,才最终执行:

cat /tmp/tour-translation-quality-review-20260823-v2-key.json

【图 6:全部评审结束以后才读取 secret key,完成最终揭盲】
【图 6:全部评审结束以后才读取 secret key,完成最终揭盲】

这一步也再次说明为什么不能简单统计“A 平均多少分、B 平均多少分”。

因为每一个 TranslationUnit 都独立随机过。

例如:

methods/24

中:

  • A = Codex High
  • B = ChatGPT High
  • C = Codex Extra High

但到了:

concurrency/7

又变成:

  • A = Codex Extra High
  • B = ChatGPT High
  • C = Codex High

所以必须在全部评分锁定以后,根据 secret key 重新映射成真正的模型结果。

三个外部评审的最终结果

首先只统计:

  • DeepSeek
  • 豆包 2.1
  • GLM-5.3

三个外部评审。

结果如下:

模型平均分平均排名第一名次数
ChatGPT GPT-5.6 High96.671.735 / 15
Codex GPT-5.6 Sol High95.732.075 / 15
Codex GPT-5.6 Sol Extra High95.872.205 / 15

这是一个让我有些意外的结果。

三个模型的第一名次数竟然全部都是:

5 / 15

ChatGPT High 的平均分仍然最高。

但是相对于 Codex High,只领先:

0.93 分

相对于 Codex Extra High,只领先:

0.80 分

这已经和上一篇实验中形成的直观印象有明显区别。

至少在当前 5 个正式 TranslationUnit 样本上,我已经很难再说:

ChatGPT 的翻译质量明显高于 Codex。

更准确的描述应该是:

三者已经处于同一个高质量梯队,ChatGPT High 在外部评审平均分上仍有小幅优势。

不同页面甚至出现了不同的胜者

逐页看更加明显。

三个外部评审中:

methods/24

Codex High 获得三个外部评审一致第一。

concurrency/7

ChatGPT High 获得三个外部评审一致第一。

concurrency/11

Codex High 获得 2 个外部评审第一,ChatGPT High 获得 1 个。

generics/1

Codex Extra High 获得三个外部评审一致第一。

flowcontrol/8

Codex Extra High 获得 2 个外部评审第一,ChatGPT High 获得 1 个。

也就是说,这不是一个:

ChatGPT > Codex High > Codex Extra High

这样非常整齐的关系。

实际情况更接近:

不同 TranslationUnit 上三个配置各有优势。

这也是我认为“已经进入同一质量梯队”的一个重要依据。

加入 ChatGPT 评审以后差距进一步缩小

把第四个 ChatGPT GPT-5.6 High 评审也加入以后:

模型四评审平均分平均排名第一名次数
ChatGPT High96.901.856 / 20
Codex High96.501.859 / 20
Codex Extra High96.152.305 / 20

这里出现了另一个很有意思的结果。

Codex High 的第一名次数反而变成最高:9 / 20。

而且 ChatGPT 评审本身并没有明显偏向 ChatGPT 候选。

在 5 个页面中,ChatGPT GPT-5.6 High 这个评审者有 4 页把:

Codex High

排在第一。

这至少说明,这一轮结果不能简单解释成:

“ChatGPT 自己给自己的译文打高分”。

Extra High 并没有带来稳定提升

开始实验之前,我其实很期待 Extra High。

如果 Codex High 已经可以靠近 ChatGPT,那么 Extra High 是否可能进一步缩小差距,甚至稳定超过 ChatGPT?

结果并没有支持这个假设。

三个外部评审:

  • Codex High:95.73
  • Codex Extra High:95.87

Extra High 只增加:

0.14 分

但平均排名:

  • High:2.07
  • Extra High:2.20

反而稍微下降。

加入全部四个评审以后:

  • Codex High:96.50
  • Codex Extra High:96.15

Extra High 又低了:

0.35 分

而且整个实验中唯一一个被外部评审判定为 major 的问题,也出现在 Codex Extra High 的 methods/24 候选中。

三个模型均没有 critical 问题。

所以目前我没有看到充分证据说明:

把 Codex 从 High 提升到 Extra High,可以稳定提高 A Tour of Go 的翻译质量。

这意味着后续默认使用 Extra High 的必要性并不强。

上一次实验并没有错,但结论需要加上条件

这一次结果并不意味着上一篇质量实验是错的。

上一篇实验实际回答的是:

在当时那组模型和推理配置下,哪个候选表现更好?

结果确实是 ChatGPT 明显占优。

但当时还有一个非常重要的条件:

ChatGPT 使用的是高推理强度。

Codex 虽然同样可以选择更高推理强度,但当时实际使用的是默认的轻度推理强度。

今天这一轮则主动把 Codex 提升到了 High 和 Extra High。

最终结果变成:

ChatGPT High ≈ Codex High

因此,现在看来,上一篇实验中 Codex 表现较弱,很可能至少有一部分原因并不是 Codex 这个执行环境本身,而是当时实际采用了较低的推理强度。

这也是我今天重新测试以后最大的收获之一。

翻译质量已经不再是阻止我使用 Codex 的主要原因

如果只比较三个外部评审的平均分:

ChatGPT High:

96.67

Codex High:

95.73

ChatGPT 仍然领先约:

0.93 分

但现在必须同时考虑工程执行能力。

ChatGPT 网页端目前的方案,即使已经从 ZIP 简化到 JSON,仍然没有真正解决稳定性问题。

真正影响生产的已经不是多一次下载或 import,而是:

一个正式 batch 的 TranslationUnit 翻译任务本身无法保证稳定完成。

相比之下,Codex 可以直接操作本地仓库。

如果把它作为正式翻译引擎,未来完全可以走:

retranslation export
↓
Codex 读取 manifest、inputs 和目标语言 glossary
↓
完整 TranslationUnit 翻译
↓
直接写入 raw-responses/
↓
retranslation process
↓
正式 validation

实验阶段为了保持三个候选格式一致,我仍然让 Codex 生成了 JSON。

但如果后续正式生产改用 Codex,这个 JSON 中间层就没有继续保留的必要。

我决定把 Codex High 作为后续默认翻译方案

综合今天的结果,我目前的选择是:

第一选择:Codex GPT-5.6 Sol High

作为后续正式 TranslationUnit 翻译的默认方案。

它的语言质量已经和 ChatGPT High 非常接近,同时在本地批量执行、文件写入和自动化流程方面明显更加适合目前的项目。

第二选择:ChatGPT GPT-5.6 High

单看三个外部评审平均分,ChatGPT 仍然略占优势。

所以它依然会在这个项目中承担非常重要的质量控制角色。

只是以目前网页端实际表现来看,我已经不准备继续让它承担大批量 TranslationUnit 的默认生产翻译任务。

暂不默认使用:Codex GPT-5.6 Sol Extra High

这次没有发现 Extra High 相对于 High 的稳定质量提升。

在没有更多证据之前,没有必要为了更高推理强度增加额外成本。

接下来继续推进 ja-JP

这一次实验目标是简体中文,不是日语。

所以它不能直接证明:

Codex High 的日语翻译质量也一定和 ChatGPT High 完全一致。

但是它已经解决了当前最重要的生产决策问题:

Codex High 是否仍然因为翻译质量明显不足,而不适合作为项目默认翻译引擎?

至少根据今天这一轮受控实验,答案已经是否定的。

接下来继续推进 ja-JP 时,我准备把默认翻译阶段调整为:

Codex GPT-5.6 Sol High
↓
读取完整 TranslationUnit 与目标语言 glossary
↓
直接生成 raw-responses/
↓
正式 restore / validation
↓
继续下一批 TranslationUnit

等所有 Page 和 Example TranslationUnit 全部完成以后,再进入统一质量验收。

这里我目前仍然准备让 ChatGPT 参与 Quality Check。

也就是说,ChatGPT 不再承担前面大量重复的正式翻译生成工作,而是把它更擅长的语言质量判断能力放到后面的统一质量检查阶段。

Quality Check 会继续按照:

A / B / C / D

对完整 TranslationUnit 进行评级。

我的目标不是“大部分达到 A”。

而是:

所有 TranslationUnit 最终都必须达到 A。

如果某个 TranslationUnit 得到 B、C 或 D,就继续处理,直到全部达到 A,才算真正通过这一轮 Quality Check。

之后再进入:

Final Review
↓
promote

所以调整默认翻译引擎,并不意味着降低质量要求。

新的分工更接近:

Codex High 负责稳定地完成批量完整 TranslationUnit 翻译;ChatGPT 负责后续统一 Quality Check。

总结

今天重新实验的起点,其实不是为了单纯比较一次模型分数。

而是因为 ChatGPT 作为默认批量翻译引擎以后,实际工作已经无法稳定推进。

重新控制推理强度、正式 TranslationUnit input、glossary、匿名化和 Engineering Gate 以后,最终得到的结果是:

  • ChatGPT High 外部评审平均分:96.67
  • Codex High:95.73
  • Codex Extra High:95.87
  • 三者外部第一名次数均为 5 / 15
  • Extra High 没有表现出稳定优于 High 的趋势

因此,我现在更倾向于把这次实验理解为:

Codex High 已经进入和 ChatGPT High 基本相同的翻译质量梯队。

这足以改变后续生产方案。

接下来,A Tour of Go 多语言 TranslationUnit 的默认翻译引擎准备改为:

Codex GPT-5.6 Sol High。

ChatGPT 则转到后面的统一 Quality Check。

最终质量门槛仍然保持不变:

所有 TranslationUnit 的 Quality Check 都达到 A,才真正通过质量验收。

这次调整的重点,不是谁在一次实验中绝对战胜了谁。

而是当翻译质量差距已经足够小时,稳定完成真实生产任务的能力,开始成为默认翻译引擎选择中更关键的因素。

Go 学习与文档多语言本地化项目

本系列完整记录 Go 学习与文档多语言本地化项目从 A Tour of Go 起步,逐步扩展到站点首页、项目说明页、学习内容、文档以及未来内容包的实际开发过程,包括架构设计、统一术语治理、整页翻译、结构保护、自动校验、独立质量审核、生产发布与长期维护。

项目源码:
✅ GitHub:shuijingwan/go-tour-i18n

语言版本:

当前跨项目目标语言池共包含 66 个语言版本。Go 项目本身目前提供 65 个社区 Production 语言版本,下面每一门 Go 语言版本都直接链接到其当前公开站点。语言列表沿用项目首页现有的展示顺序。

英语(美国)仅作为跨项目目标语言纳入列表,并不是单独的 Go Production 语言版本。当前 Go 的英文源内容仍为官方 generic English,因此英语(美国)链接到 Go 官方站点,而不是不存在的本地社区部署。

  1. 阿姆哈拉语
  2. 阿拉伯语
  3. 孟加拉语
  4. 葡萄牙语(巴西)
  5. 保加利亚语
  6. 加泰罗尼亚语
  7. 克罗地亚语
  8. 捷克语
  9. 丹麦语
  10. 荷兰语
  11. 英语(美国)(Go 官方英文站点)
  12. 英语(澳大利亚)
  13. 英语(加拿大)
  14. 英语(印度)
  15. 英语(新加坡)
  16. 英语(南非)
  17. 英语(英国)
  18. 爱沙尼亚语
  19. 菲律宾语
  20. 芬兰语
  21. 法语(法国)
  22. 法语(加拿大)
  23. 德语(德国)
  24. 德语(奥地利)
  25. 德语(瑞士)
  26. 希腊语
  27. 古吉拉特语
  28. 希伯来语
  29. 印地语
  30. 匈牙利语
  31. 印度尼西亚语
  32. 意大利语
  33. 日语
  34. 卡纳达语
  35. 哈萨克语
  36. 韩语
  37. 西班牙语(拉丁美洲)
  38. 拉脱维亚语
  39. 立陶宛语
  40. 马来语
  41. 马拉雅拉姆语
  42. 马拉地语
  43. 书面挪威语(Bokmål)
  44. 波斯语
  45. 波兰语
  46. 葡萄牙语(葡萄牙)
  47. 旁遮普语(果鲁穆奇文,印度)
  48. 罗马尼亚语
  49. 俄语
  50. 塞尔维亚语(西里尔文)
  51. 简体中文(中国大陆)
  52. 简体中文(新加坡)
  53. 斯洛伐克语
  54. 斯洛文尼亚语
  55. 西班牙语(西班牙)
  56. 斯瓦希里语(坦桑尼亚)
  57. 瑞典语
  58. 泰米尔语
  59. 泰卢固语
  60. 泰语
  61. 繁体中文(台湾)
  62. 繁体中文(香港)
  63. 土耳其语
  64. 乌克兰语
  65. 乌尔都语
  66. 越南语

项目正在持续扩展新的 Go 学习与文档内容,并长期维护各语言版本的术语一致性、翻译质量、独立审核、生产发布与后续更新。

本项目属于非官方社区多语言本地化项目,与 Go 官方无隶属、授权或背书关系。