后GPT时代，大语言模型正以“通用智能”重塑机器翻译的技术逻辑。传统模型依赖“编码器-解码器”架构，通过统计建模或局部注意力机制实现词到词的映射，但受限于数据规模与模型容量，在处理长文本、复杂句式或文化隐喻时表现乏力。大语言模型通过海量多语言语料的预训练，掌握了跨语言的语法、语义甚至文化常识，可动态适应不同场景。例如，GPT-4能结合上下文解析中文成语“画蛇添足”的深层含义，输出“多此一举”等符合目标语习惯的表达，而非直译为“draw a snake and add feet”。

大模型还支持少样本/零样本学习，仅需少量示例即可快速适配新语言或领域，显著降低数据标注成本。此外，多模态预训练技术使模型能同时处理文本、图像、音频等多模态信息，实现更自然的翻译交互。例如，视觉模型可“看”懂图片中的场景并进行描述性翻译，为AI翻译装上“眼睛”。