腾讯混元Hy-MT2开源：30B-A3B真实场景翻译超过Gemini 3.1 Pro

多语言翻译工具文档/视频翻译语音翻译开源模型模型性价比模型评测与对比端侧部署

2026-05-21 17:01

244 浏览

0 点赞

AI 速览

腾讯混元正式开源新一代多语言翻译模型Hy-MT2，提供1.8B、7B、30B-A3B三种尺寸，支持33种语言及方言互译。核心事实 - 架构升级：首次引入MoE混合专家架构，30B-A3B版本在真实业务场景测试中性能超越Gemini 3.1 Pro - 端侧突破：基于自研Sherry框架实现1.25-bit极低比特量化，模型仅440MB，可在手机芯片本地推理 - 生态落地：同步推出「腾讯Hy翻译」小程序及App，支持云端高速版与离线端侧双轨模式 - 性能表现：7B与30B-A3B在通用翻译基准上追平或超越主流商业API，指令遵循能力显著提升避坑提示官方自建测试集结论尚缺独立第三方复现，且1.25-bit量化版的具体质量回落幅度未公开，实际效果需用户验证。价值点为开发者提供了兼具高性能与低资源消耗的开源翻译方案，特别适合对隐私、离线能力及成本控制有要求的移动端应用场景。

5月21日消息，腾讯混元正式开源新一代多语言翻译模型 Hy-MT2，包含 1.8B、7B、30B-A3B 三个尺寸，均支持 33 种语言加 5 种民汉/方言互译。其中 7B 与 30B-A3B 在各类翻译任务上拿下开源最佳，30B-A3B 在真实业务场景测试集上已经反超谷歌 Gemini 3.1 Pro；轻量级的 1.8B 模型则在 1.25-bit 极低比特量化下压缩到约 440MB，可直接部署在苹果、高通、联发科手机芯片上做本地推理，相比上一代 Hy-MT1.5 推理速度提升 1.5 倍。这是腾讯混元在 4 月底开源 Hy-MT1.5-1.8B-1.25bit 之后，第二次系统性升级翻译模型矩阵。

腾讯混元Hy-MT2开源：30B-A3B真实场景翻译超过Gemini 3.1 Pro

三尺寸模型矩阵：首次引入 MoE 架构

Hy-MT2 相比上一代最大的结构变化是引入混合专家架构，推出 30B-A3B 版本——总参数 30B、单次推理激活参数约 3B，目标是在不显著增加推理开销的前提下提升翻译质量。

三个尺寸的定位分工清晰：1.8B 主打端侧与边缘场景，7B 面向中等规模云端部署，30B-A3B 则承担"开源最强翻译模型"的天花板角色。所有版本均原生支持 33 种语言互译，覆盖中英法日德阿俄等主流语言，以及藏语、蒙古语等民汉/方言。

值得一提的是，Hy-MT2 在指令遵循能力上有明显跃升。腾讯混元自建测试集 IFMTBench 显示，7B 与 30B-A3B 在术语指定、翻译风格、输出格式等指令任务上接近 Gemini 3.1 Pro 水平，IFMTBench 本身也随模型一同开源。

评测数据：通用追平、真实场景反超

在三类核心评测中，Hy-MT2 展现出比上一代更"贴近真实业务"的特征。

通用翻译能力上，FLORES-200 平均得分分别为 Gemini 3.1 Pro 的 88.1%、96.9%、98.1%，7B 与 30B-A3B 实测超过 DeepSeek-V4-Pro 与 Kimi K2.6 等开源模型；1.8B 整体优于头部商业翻译 API。

真实业务场景测试集上，GEMBA 评分（基于大语言模型的翻译质量自动评估指标）显示 1.8B、7B 分别达到 Gemini 3.1 Pro 的 96.7% 与 99.9%，30B-A3B 则直接超过 Gemini 3.1 Pro。

涵盖 8 个专业领域的 DomainMTBench 上，三个模型 GEMBA 评分分别达到 Gemini 3.1 Pro 的 96.2%、97.9%、99.0%，30B-A3B 在金融、政治、教育几个垂直领域已部分超过主流翻译模型。

这一组数据的关键信号是——开源模型在翻译这一垂直任务上，已经能够在真实业务场景里与最强闭源通用大模型贴身较量，而不再只是 FLORES 这类学术基准上的近似。

极低比特量化：440MB 端侧部署 + Sherry 框架

Hy-MT2 在端侧部署方向继续往下压。

除常规的 4-bit、8-bit、FP16 版本外，本次还新增 1.25-bit 与 2-bit 版本。基于腾讯混元自研的 Sherry 框架，1.25-bit 极低比特量化版本仅需约 440MB 存储空间即可部署，并在苹果 A15 芯片上的推理速度相比 Hy-MT1.5 的 4-bit 量化版本提升 1.5 倍。

这意味着 Hy-MT2 已具备直接打进手机本地的工程条件。Hy-MT1.5 的 4-bit 版仍需 1GB 以上存储，对移动端与边缘设备并不友好。440MB 的尺寸基本与一个中等规模 App 相当，可作为系统级翻译能力或 App 内嵌翻译能力来打包。

部署生态方面，Hy-MT2 已在 GitHub 与 Hugging Face 上线，并兼容 ARM、高通、Intel、沐曦、天数智芯等多个平台。

「腾讯Hy翻译」小程序与 APP 落地

模型之外，腾讯同步推出了基于 Hy-MT2 的「腾讯Hy翻译」小程序，iOS 与安卓 App 即将上线，且明确支持本地推理。

相比常见翻译工具，「腾讯Hy翻译」加入了语音输入、自定义翻译风格与指令两项能力——用户可以指定"翻译结果简洁精炼，去掉冗余表达，每句不超过 15 个字"这类风格化要求，模型会按指令遵循输出。

联网环境下走云端高速版，提前下载端侧模型后则可在无网或弱网环境下离线翻译。这一双轨设计明显是为出境游、跨境商务等高频翻译场景准备的。

竞品对比与局限性

横向看，Hy-MT2 的直接对手分两类。

闭源最强基线是 Google Gemini 3.1 Pro，其优势在通用语义理解与超大规模训练数据，缺点是无法离线、无法私有化、按 token 计费。开源对位则是 DeepSeek-V4-Pro、Kimi K2.6 等通用大模型，以及阿里通义、Meta SeamlessM4T 等专门翻译模型——Hy-MT2 此次在 7B/30B-A3B 尺寸上的表现整体优于这一档对手。

需要冷静看待的几点：第一，Hy-MT2 与 Gemini 3.1 Pro 的差距集中在通用翻译，FLORES-200 上 1.8B 仍只有 88.1%，差距并未完全抹平；第二，真实业务场景测试集由腾讯混元自建，外界尚无独立第三方复现，30B-A3B"超过 Gemini 3.1 Pro"的结论需要等社区评测；第三，1.25-bit 量化版的翻译质量与 FP16 原版之间的回落幅度未在官方资料中给出明确数字，端侧场景的实际质量需要用户自行验证；第四，30B-A3B 虽然采用 MoE 降低推理成本，但仍属于云端部署模型，端侧目前仍以 1.8B 为主，复杂语境下的翻译能力天花板受限于参数规模。

可以确定的是，Hy-MT2 把开源翻译模型在"端侧可部署"与"真实业务场景质量"两个维度同时往前推了一档。下一个观察点是它能否在腾讯内部场景——元宝、腾讯会议、企业微信、QQ 浏览器等——完整替换 Hy-MT1.5，以及在 WMT26 视频字幕翻译比赛中的实际表现。

好文章，需要你的鼓励

# 报错信息分析与调试指南 ## 任务说明请分析用户提供的报错信息，推测可能的错误原因，并提供系统性的调试步骤。 ## 分析要求 1. **错误类型识别** - 确定是语法错误、运行时错误、逻辑错误还是环境配置错误 - 识别具体的错误类别（如空指针、数组越界、类型不匹配等） 2. **原因推测** - 基于错误信息中的关键线索进行合理推断 - 考虑常见的导致此类错误的编程场景 - 分析可能的代码问题或环境问题 3. **调试步骤** - 提供从简单到复杂的逐步调试方法 - 包括代码检查、日志添加、环境验证等具体操作 - 给出预防类似错误的最佳实践建议 ## 输出格式 - **错误类型**：[具体的错误分类] - **可能原因**： 1. [原因1] 2. [原因2] 3. [原因3] - **调试步骤**： 1. [步骤1] 2. [步骤2] 3. [步骤3] 4. [步骤4] - **解决方案**：[具体的修复建议] ## 示例 **输入**：【报错信息】 ``` TypeError: Cannot read property 'length' of undefined at processData (app.js:25:18) at main (app.js:10:5) ``` **输出**： - **错误类型**：运行时错误 - TypeError - **可能原因**： 1. 变量未正确初始化就被访问其 length 属性 2. 函数参数传递了 undefined 值 3. 异步操作中数据还未加载完成就尝试访问 - **调试步骤**： 1. 检查 app.js 第25行附近的变量声明和赋值 2. 在访问 length 属性前添加类型检查：`if (variable && variable.length)` 3. 使用 console.log() 输出相关变量的值确认其状态 4. 检查函数调用时传入的参数是否正确 - **解决方案**：在访问对象属性前先验证对象是否存在，或确保变量在使用前已被正确初始化。