现代NMT使用编码器-解码器Transformer架构：编码器处理源语言句子，解码器通过交叉注意力关注编码后的源语言，逐token生成目标语言句子。训练需要平行语料库——两种语言数百万对齐的句子对。数据质量和领域匹配至关重要：在欧盟议会会议记录上训练的模型翻译法律文本很好，但翻译非正式聊天效果很差。
大语言模型已经成为有竞争力的翻译器，在高资源语言对上有时甚至超过专用MT系统。它们的优势：由于在多样化语境中见过语言的使用，因此更好地理解上下文、习语和文化差异。劣势：每句翻译比专用MT模型慢得多也贵得多。对于数百万句的实时翻译，专用模型（如Google翻译背后的模型）是必需的。对于较小量级的高质量翻译，LLM通常能产出更自然的结果。
MT质量在不同语言对之间差异巨大。英法、英西和英中得到了良好服务（丰富的训练数据）。但在世界上7000多种语言中，大多数语言对只有很少甚至没有平行训练数据。低资源翻译仍然是活跃的研究领域，方法包括：通过多语言模型的零样本翻译、回译（使用MT系统本身生成合成训练数据），以及从相关语言的迁移学习。