Claude dimostra solide capacità multilingue, con prestazioni particolarmente elevate nei compiti "zero-shot" (senza esempi) in diverse lingue. Il modello mantiene prestazioni relative costanti sia nelle lingue ampiamente parlate sia in quelle con meno risorse, rendendolo una scelta affidabile per le applicazioni multilingue.
Claude è competente in molte lingue oltre a quelle valutate nella tabella seguente. Esegui test con tutte le lingue rilevanti per i tuoi casi d'uso specifici.
La tabella seguente mostra i punteggi di valutazione zero-shot con "chain-of-thought" (catena di ragionamento) per i modelli Claude in diverse lingue, espressi come percentuale rispetto alle prestazioni in inglese (100%):
| Lingua | Claude Opus 4.1 (deprecato)1 | Claude Sonnet 4.51 | Claude Haiku 4.51 |
|---|---|---|---|
| Inglese (riferimento, fissato al 100%) | 100% | 100% | 100% |
| Spagnolo | 98,1% | 98,2% | 96,4% |
| Portoghese (Brasile) | 97,8% | 97,8% | 96,1% |
| Italiano | 97,7% | 97,9% | 96,0% |
| Francese | 97,9% | 97,5% | 95,7% |
| Indonesiano | 97,3% | 97,3% | 94,2% |
| Tedesco | 97,7% | 97,0% | 94,3% |
| Arabo | 97,1% | 97,2% | 92,5% |
| Cinese (semplificato) | 97,1% | 96,9% | 94,2% |
| Coreano | 96,6% | 96,7% | 93,3% |
| Giapponese | 96,9% | 96,8% | 93,5% |
| Hindi | 96,8% | 96,7% | 92,4% |
| Bengalese | 95,7% | 95,4% | 90,4% |
| Swahili | 89,8% | 91,1% | 78,3% |
| Yoruba | 80,3% | 79,7% | 52,7% |
1 Con pensiero esteso.
Queste metriche si basano sui set di test in inglese MMLU (Massive Multitask Language Understanding) che sono stati tradotti in 14 lingue aggiuntive da traduttori umani professionisti, come documentato nel repository simple-evals di OpenAI. L'uso di traduttori umani per questa valutazione garantisce traduzioni di alta qualità, particolarmente importante per le lingue con meno risorse digitali.
Claude deduce la lingua di risposta dalla conversazione, ma per le applicazioni di produzione dovresti indicare esplicitamente la lingua di destinazione. Il posto più affidabile per farlo è il prompt di sistema, che mantiene l'istruzione stabile in ogni turno della conversazione.
client = anthropic.Anthropic()
message = client.messages.create(
model="claude-opus-4-8",
max_tokens=1024,
system="Always respond in French, regardless of the language the user writes in.",
messages=[{"role": "user", "content": "How do I reset my password?"}],
)
print(message.content)Se la tua applicazione consente agli utenti di scegliere una lingua in fase di esecuzione, interpola tale scelta nel prompt di sistema anziché affidarti a Claude per dedurla dal messaggio dell'utente. Per tradurre tra due lingue specifiche, nominale entrambe: Translate the user's message from German to Korean. Respond with only the translation.
Quando lavori con contenuti multilingue:
Segui anche le indicazioni generali in Panoramica del prompt engineering per migliorare ulteriormente la qualità dell'output.
Applica tecniche generali di prompting per migliorare la qualità dell'output multilingue.
Crea un chatbot di supporto localizzato utilizzando un prompt di sistema con vincoli linguistici.
Confronta i livelli di modello per bilanciare la qualità multilingue con costi e latenza.
Valuta la qualità di traduzione e localizzazione prima del rilascio.
Was this page helpful?