Zum Inhalt

🌐 Sprachauswahl & Ausschlusskriterien

1. Empirischer Hintergrund & 248,3-Stunden-Benchmark

Zwischen dem 28. August und 6. September 2026 lief die Übersetzungspipeline autonom über 248,3 kumulierte GPU-Stunden auf nyx.local (Qwen3.6-35B-A3B-4bit auf Apple Silicon M4).

Dabei wurden 2.710 Markdown-Dateien für über 35 Zielsprachen verarbeitet. Die Messdaten zeigten eine ausgeprägte operationelle Asymmetrie: - 71,5 % der gesamten GPU-Rechenzeit (177,6 Stunden) entfielen auf 10 Low-Resource-Sprachen, die unter hohen QA-Ablehnungsraten (> 50 % bis 88 %) litten. - Im Gegensatz dazu konnten etablierte Zielsprachen nach Behebung von Punctuation-Regex- und Unicode-Stripping-Fehlern innerhalb weniger Minuten fehlerfrei abgeschlossen werden. Die Anzahl vollständig fertiger Sprachen stieg rasch von 7 auf über 19 und schließlich auf 35+ Sprachen (jeweils 140/140 Dateien).

Um unbegrenzte Ressourcenausschöpfung zu verhindern und die wissenschaftliche Qualität zu sichern, wurde das 3-Stufen-Ausschlussframework eingeführt.

2. Rechenzeit-Verteilung der Engpass-Sprachen

Die folgende Tabelle dokumentiert die ressourcenintensivsten Zielsprachen während des 10-tägigen Dauerlaufs vor Einführung der Ausschlusskriterien:

Locale Sprache Sprachfamilie Rechenzeit Saubere Dateien Ablehnungen / QA Quote Bewertung
et Estnisch Uralisch (Finno-Ugrisch) 32,7 h 26 / 140 114 18,6 % Morphologieversagen; durch QA gestoppt
am Amharisch Semitisch (Äthiosemitisch) 32,1 h 63 / 140 77 45,0 % Hoher Sub-Word Token Penalty; sehr langsam
zu isiZulu Niger-Kongo (Bantu) 17,9 h 70 / 140 70 50,0 % Kein philologischer Bezug; hohe Repetition
cop Koptisch Afroasiatisch (liturgisch) 14,6 h 16 / 140 124 11,4 % Extreme Vokabular-Lücken; Halluzination
sl Slowenisch Indogermanisch (Slawisch) 14,3 h 56 / 140 84 40,0 % Grammatik-Terminologie unpräzise
si Singhalesisch Indoarisch 14,1 h 60 / 140 80 42,9 % Komplexe Schrift-Latenzen
ka Georgisch Kartwelisch 13,4 h 61 / 140 79 43,6 % Kasus-Fehlausrichtungen
hy Armenisch Indogermanisch (Armenisch) 13,4 h 65 / 140 75 46,4 % Begriffliche Verschiebungen
sv Schwedisch Indogermanisch (Germanisch) 13,3 h 53 / 140 87 37,9 % False-Positive QA-Stopps auf Latinismen
te Telugu Dravidisch 11,8 h 68 / 140 72 48,6 % Komplexe Sandhi-Verzögerungen
Summe Top 10 — 177,6 h — — — 71,5 % der Cluster-Laufzeit

3. Ursachen der Engpässe

  1. Sub-Word-Tokenisierung & Tokenizer-Penalty: Open-Weights-Modelle besitzen Tokenizer, die primär auf Englisch, Chinesisch und europäische Hauptsprachen trainiert sind. Bei Sprachen wie am, cop oder zu werden Wörter in 4 bis 8 Byte-Fallback-Tokens zerlegt. Dadurch sinkt die Generierungsgeschwindigkeit von ~22 t/s auf 3–6 t/s ab, was den Rechenzeitbedarf um den Faktor 4x bis 6x erhöht.
  2. Fehlende digitalisierte Fachgrammatiken: Die Übersetzung deutscher philologischer Sanskrit-Traktate in Sprachen ohne etablierte sanskritologische Fachliteratur führt bei LLMs zu künstlichen Wortneuschöpfungen oder semantischen Entgleisungen.
  3. Cache/QA-Desynchronisation: Wenn Generierungsfilter toleranter sind als das Prüfskript translation_qa.py, gelangen unvollständige Chunks in das Translation Memory (.payer/tm/). Der Runner ruft diese wiederholt ab und gerät in Endlosschleifen.

4. Das 3-Stufen-Ausschlussframework

flowchart TD
    G1["Gate 1: Philologische Relevanz\n• Sanskritologische Tradition vorhanden?\n• Historischer/akademischer Mehrwert?"]
    G1 -->|Bestanden| G2["Gate 2: Quantitative Effizienz & ROI\n• Durchsatz > 10 t/s?\n• QA-Ablehnungsrate < 30 %?"]
    G1 -->|Abgelehnt| EX1["Ausschluss: Keine Relevanz"]
    G2 -->|Bestanden| G3["Gate 3: Produktion & Frontend\n• 100% (140/140) saubere Dateien?\n• Valides PWA-Manifest & Routing?"]
    G2 -->|Abgelehnt| EX2["Archiviert: ROI ungenügend"]
    G3 -->|Bestanden| PROD["Produktions-Freigabe (VitePress Navigation)"]

    style G1 fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    style G2 fill:#fff3e0,stroke:#f57c00,stroke-width:2px
    style G3 fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px
    style PROD fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px

5. Status der Zielsprachen

  • 100 % fertiggestellt (35+ Sprachen, 140/140 Dateien): Deutsch (de), Englisch (en), Französisch (fr), Italienisch (it), Spanisch (es), Russisch (ru), Ukrainisch (uk), Hindi (hi), Tamil (ta), Punjabi (pa), Latein (la), Rumantsch Grischun (rm), Rumänisch (ro), Arabisch (ar), Hebräisch (he), Indonesisch (id), Chinesisch (zh-CN, zh), Neugriechisch (el), Altgriechisch (grc), Thai (th), Finnisch (fi), Ungarisch (hu), Persisch (fa), Niederländisch (nl), Afrikaans (af), Litauisch (lt), Serbokroatisch (sh), Albanisch (sq), Portugiesisch (pt), Bulgarisch (bg), Türkisch (tr), Vietnamesisch (vi), Dänisch (da), Norwegisch (no), Schwedisch (sv), Isländisch (is).
  • Gesperrt gemäß Gate 1 / 2: Koptisch (cop), isiZulu (zu), Estnisch (et).