BabelDOC 把 PDF 翻译做成了 ACL 论文：中间表示如何保住公式、表格和排版

今天，想和大家分享一个对沉浸式翻译团队非常重要的阶段性进展：BabelDOC 的 ACL 2026 System Demonstrations 论文已发布在 arXiv。

论文标题是：BabelDOC: Better Layout-Preserving PDF Translation via Intermediate Representation

我们讨论的并非某个悬在半空的学术猜想，而是无数沉浸式翻译用户每天都在经历的真实痛点：如何真正做好一份 PDF 的翻译？

无论你是需要死磕全英文学术期刊的学生，面对满屏 API 说明的开发者，还是每天处理复杂双栏报告、术语密集的专利白皮书的研究员——我们面临的痛点是相通的：这些文档，从来都不是纯文本。

AI 翻译工具拿到这种文档，任务往往在第一步就卡住：怎么把语言模型生成的译文，重新放回原来的版面里。

PDF 翻译的核心挑战，绝非简单的”把英文换成中文”。真正让人头痛的是：翻译完之后，这篇文档还能不能正常阅读？

• 公式还在不在原位？
• 复杂表格仍是 PDF 翻译中的难点，翻译后能否尽量避免变形？
• 能否尽量保留和翻译可识别的脚注文本？
• 能否支持处理 PDF 中可抽取的图内文字或图注？
• 跨页的多栏排版会不会像面条一样串行？
• 译文变长后，还能不能尽可能自适应地贴合原来的页面空间？

这就是 BabelDOC 诞生的全部理由，也是我们死磕到底的方向。

BabelDOC 论文入选 ACL 2026 System Demonstrations

从交出”产品答卷”，到开源”底层图纸”

大家可能还记得，我们去年发布过一篇技术解析《BabelDOC：极致PDF翻译体验是这样打造的》（注：此处为历史文章标题）。当时我们写过一句话：“当专业 PDF 遇到机器翻译，信息完整性很容易受损。”

当时，我们更多是在用产品经理和工程师的视角，解答 BabelDOC 是如何解决这些糟糕体验的。而这一次，我们把这套体验背后的”底层设计图纸”进行了系统化，并向整个开源和学术社区公开。

为什么 PDF 翻译这么难？因为它是一张被”画”出来的纸

从技术的视角来看，PDF 根本不是一篇文章，而更像是一张被程序精确绘制出来的视觉画布。

它只关心一个字应该被”画”在屏幕的哪个坐标上，用多大的字号，和旁边的图形保持几毫米的距离。我们之前把它比作”一张充满二进制代码和文本的纸”，它的首要目标是稳定显示，而不是让你去编辑和翻译。

这就导致了一个存在已久的行业两难：

• 传统翻译工具擅长处理流动的自然语言，但拿到 PDF 后，很容易把精心设计的文档结构破坏掉。
• 文档解析系统擅长把 PDF 抽离成 Markdown 或结构化文本，但翻译完之后，想再把中文准确地放回原位，往往困难重重。

要么翻译顺畅但版式错乱，要么版式保留了但翻译生硬。BabelDOC 决定打破这个僵局。

核心解法：欢迎来到 BabelDOC 的”无尘拆解车间”

BabelDOC 的核心突破，在于论文中提出的一个关键概念：Intermediate Representation（中间表示，简称 IR）。

为了不让大家被学术名词绕晕，我们不妨把 BabelDOC 想象成一个高度精密的多语言”无尘拆解车间”。

我们不会把一整块 PDF 粗暴地塞进翻译机。相反，BabelDOC 会先用结构化的方式，将 PDF 进行拆解，通过 IR 解耦语义内容和视觉版式信息：

• “语义零件”： 把字符、文本行、段落线索、版面坐标、公式等结构片段拆下来，送进 IR”流水线”。
• “视觉骨架”： 把坐标、字体、文本框、图形区域、多栏布局等内容妥善封存保护。

在这个过程中，翻译引擎可以心无旁骛地处理核心的语义问题，而版式信息得到了妥善的保留。

等翻译流水线完工后，BabelDOC 再启动它的自适应排版引擎，尽量在原有版面约束下重新排版，通过自适应排版改善版式保留效果。

这不是简单的”文本替换”，而是一套完整的文档级处理工作流。这也是论文标题中 Layout-Preserving（版式保留）的灵魂所在。

这些技术细节，如何拯救你的阅读体验？

技术架构听起来很酷，但对用户来说，更关心的是：它能不能让我不再对着乱码的文档抓狂？

有了 IR 这个车间的调度，很多以前棘手的问题迎刃而解：

• 学术论文： 复杂的数学公式，通过自适应透传机制降低了被翻译模型误改的风险，用于保护和重建可识别的公式片段。
• 技术文档： 自动识别文档中的领域术语，作为上下文注入大模型，引导模型遵循统一术语表翻译，有效改善同一术语前后译法不一致的情况。
• 多栏排版文档： 即使段落被切断、跨页，系统也能通过启发式规则，改善跨页、跨栏段落被切断后的上下文衔接。（大语言模型 LLM 翻译专属能力）

这正是为什么我们坚持认为PDF 翻译不只是翻文字，而是面向整份文档的智能处理。

200 页的深度压力测试

为了验证这套框架的实力，论文中构建并报告了一个 200 页复杂 PDF benchmark 的评测结果，涵盖了满是公式的科学文献、嵌套结构的开发者文档、以及术语密集的国际专利。

评测结果令人振奋：在论文评测中，BabelDOC 在布局保真、视觉美观和术语一致性上表现突出；同时，复杂 PDF 的抽取与渲染鲁棒性仍是后续优化方向。

但我们想澄清一点：BabelDOC 的目标从来不是”干掉所有的翻译工具”。

相反，它面向复杂 PDF 翻译提供了一个更可控、可扩展的框架——

大语言模型负责提供高质量的语言，而 BabelDOC 负责处理排版保留、术语控制、公式保护和最终的文档重建。

在论文、技术文档、专利、报告等复杂 PDF 场景中，BabelDOC 尝试在翻译质量、版式保留和阅读体验之间取得更好的平衡。

基础设施：开放的设计图纸

BabelDOC 从来不想只做一个封闭的”黑盒”。随着论文的发表，BabelDOC 也在向开源文档翻译基础设施演进，开发者可以通过 CLI、上层项目集成和本地部署方式参与使用与扩展。

它的模块化设计意味着：

• 开发者可以通过 CLI 处理 PDF 翻译任务。
• 可作为底层引擎被上层项目集成（注：当前 Python API 仍偏内部接口，开发者可优先参考 README 推荐调用方式。）
• 在配置本地或私有 OpenAI-compatible endpoint 的前提下，可用于更可控的本地或私有化部署场景。

知识无国界，且应当拥有更优雅的载体

从网页翻译解决浏览障碍，到双语对照解决实时理解，沉浸式翻译团队一直走在”降低人类跨语言阅读门槛”的路上。

但当我们面对教材、专利、财报、顶会论文、数据手册等时，我们清楚地知道：结构决定了阅读的路径，排版决定了信息的尊严。 这就是为什么我们在 PDF 翻译上持续投入。

这次 ACL Demo Paper 的发布，对 BabelDOC 只是一个阶段性的标记。它生于用户的真实痛点，也希望将这套实践经验反哺给学术与技术社区。

我们会继续推进 BabelDOC 在复杂 PDF、扫描文档、术语一致性、多语言覆盖、开发者接口和本地部署等方向上的能力。PDF 兼容性仍是后续持续优化方向，我们也将持续扩展更多语言和排版场景的覆盖能力。

希望能有那么一天，全人类的知识，再也不会被语言的壁垒和冰冷的文档格式所阻挡。

论文与开源项目地址见文末原文信息段，感兴趣的读者可以前往 arXiv 阅读全文，或在 GitHub 上查看 BabelDOC 的代码与文档。

原文信息

• 作者：沉浸式翻译（@immersivetran），沉浸式翻译官方团队，浏览器 AI 翻译扩展
• 发布时间：2026-05-25
• 论文地址：《BabelDOC: Better Layout-Preserving PDF Translation via Intermediate Representation》，arXiv:2605.10845（行内代码 arxiv.org/pdf/2605.10845）
• 开源仓库：github.com/funstory-ai/BabelDOC

原文地址：