腾讯混元全新翻译模型Hy-MT2开源，小程序「腾讯Hy翻译」开放体验

Hy-MT2是支持 33 种语言互译的多语言模型其中7B和30B-A3B模型在各类翻译任务上达到了开源模型最佳效果超越了几十倍参数量的模型。轻量级的1.8B 模型也超越了微软等主流商业API且得益于AngelSlim1.25-bit极端量化仅需 440MB 存储空间可以轻松部署在苹果、高通、联发科等手机芯片上支持本地推理相比Hy-MT1.5推理速度提升 1.5 倍。基于Hy-MT2模型的“腾讯Hy翻译”小程序已经上线IOS和安卓APP即将上线支持本地推理。今天混元翻译模型Hy-MT2 正式开源。Hy-MT2包含3个尺寸的模型Hy-MT2-1.8B、Hy-MT2-7B、Hy-MT2-30B-A3B三个模型均支持33个语种互译5种民汉/方言。相比上一代翻译模型Hy-MT1.5Hy-MT2 效果提升明显尤其在多语言指令遵循、专业领域翻译和真实应用场景翻译中表现较好追平甚至超过大尺寸通用模型。为了方便使用我们也同时推出「腾讯Hy翻译」小程序它基于Hy-MT2打造相比其他翻译工具不仅支持语音输入还优化了自定义翻译风格和指令的能力让翻译结果更符合预期实用性更强。用户不仅可以在联网环境下体验高速版的混元翻译模型也可以通过提前下载端侧翻译模型在无网络或者弱网络场景中使用离线翻译解决了部分应用场景中网络条件受限的问题。马上体验欢迎在小程序评论区给我们反馈使用体验我们将抽取5位用户送出定制礼物此外腾讯Hy翻译APP也正在上架中将很快会对外提供服务。在端侧场景下Hy-MT2进一步探索极低比特量化方案本次升级模型中极低比特量化版1.25-bit仅需约 440MB 存储空间即可部署这也为翻译模型接入端侧智能设备做好了技术准备。通用翻译能力出众重点优化专业领域和真实业务场景在通用翻译能力评测中Hy-MT2系列三个模型在 FLORES-200 平均表现上分别达到目前行业表现最好的翻译模型 Gemini 3.1 Pro 的 88.1%、 96.9%,和 98.1%水平已经十分接近。同时Hy-MT2-7B和 Hy-MT2-30B-A3B 的实测得分超过 DeepSeek-V4-Pro和Kimi K2.6等开源模型。在轻量级模型的横向对比中Hy-MT2-1.8B 也整体优于头部商业翻译 API。在保持通用翻译能力的同时Hy-MT2进一步面向真实业务场景和专业领域翻译进行优化。可以看到在真实场景测试集上Hy-MT2-1.8B 和 Hy-MT2-7B 的 GEMBA 评分基于大语言模型的翻译质量自动评估指标分别达到 Gemini 3.1 Pro 的 96.7% 和 99.9%水平并且这一场景下Hy-MT2-30B-A3B 效果已经超过 Gemini 3.1 Pro。在涵盖 8 个专业领域的 DomainMTBench 上三个模型的 GEMBA 评分分别达到 Gemini 3.1 Pro 的 96.2%、97.9% 和 99.0%水平几乎持平。另外可以看到Hy-MT2-30B-A3B在金融、政治、教育几个垂直领域的翻译表现已经部分超过主流翻译模型。相比上一版本模型Hy-MT2的最大提升体现在指令遵循能力上模型能够更准确地理解并执行用户关于术语、风格和输出格式等方面的具体要求。腾讯混元自建数据集IFMTBench测试结果表明Hy-MT2-7B和 Hy-MT2-30B-A3B的翻译效果已经超越等相近尺寸开源模型接近 Gemini 3.1 Pro。IFMTBench也随着模型发布一并开源这是一个翻译指令遵循测试集测试集中的指令主要是和翻译任务相关例如翻译风格变换、指定术语翻译等指令和待翻译的文本涵盖了多个语种。例如下面的例子通过“个性化设定翻译结果简洁精炼去掉冗余表达每句不超过15个字”模型可以很好的遵循指令让翻译结果更符合要求。总体看来Hy-MT2是一个面向真实应用场景的高质量、高效率、多能力多语翻译模型家族在通用翻译、专业领域翻译、真实业务场景和翻译指令遵循任务上均表现出较强竞争力。架构创新和极致量化极低比特量化版本仅需约 440MB 即可部署跟此前模型不一样的是为在翻译效果和推理效率之间取得更好的平衡Hy-MT2首次引入混合专家架构推出 Hy-MT2-30B-A3B通过扩大总参数规模提升模型容量同时控制每次推理时的激活参数量在增强翻译质量的同时降低推理开销相比单纯扩大稠密模型规模这种设计更适合面向真实应用场景的高质量翻译系统。此外上一版本的模型Hy-MT1.5-1.8B虽已提供 4-bit量化版本但该版本仍需要 1GB 以上的存储空间在移动端、边缘设备和其他资源受限环境中存在一定部署压力并且其推理速度也难以充分满足部分低延迟翻译场景的需求。针对这些问题Hy-MT2进一步探索极低比特量化方案。除4-bit、8-bit 和 FP16 版本外Hy-MT2还基于混元自研技术提供了 1.25-bit和2-bit版本以适配不同硬件环境下的部署需求。特别地基于混元自研Sherry 框架实现的1.25-bit 极低比特量化版本仅需约 440MB 存储空间即可部署并且在苹果 A15 上的推理速度相比 Hy-MT1.5 的 4-bit 量化版本提升了 1.5 倍进一步提升了实际可用性。为了便于开发者使用Hy-MT2 开源的模型已经在 Github和Huggingface等开源社区上线ARM、高通、Intel、沐曦、天数智芯等多个平台均支持部署。从 Hy-MT1.5到Hy-MT2一次围绕真实反馈进行的系统升级Hy-MT1.5发布后在开源社区和实际业务使用中受到了广泛关注随着模型被应用到更多真实翻译场景中社区和业务反馈也暴露出 Hy-MT1.5 的一些不足。Hy-MT1.5 能够较好地支持通用多语翻译任务但在专业领域翻译、真实业务场景翻译、翻译指令遵循以及端侧高效部署等方面仍存在进一步提升空间。这些反馈表明面向真实应用的多语翻译模型需要更系统地覆盖专业领域和真实业务场景更稳定地执行关于术语、风格和格式等方面的翻译指令同时在资源受限设备上具备更低的部署成本和更高的推理效率。基于这一目标腾讯混元基于技术上的改进和升级推出了Hy-MT2 系列模型。总体而言Hy-MT2 不止是对 Hy-MT1.5 的简单规模扩展而是一次围绕真实反馈进行的系统升级。针对 Hy-MT1.5 在专业领域翻译、真实场景翻译、翻译指令遵循、与最强闭源模型的性能差距以及端侧高效部署等方面的不足Hy-MT2 从能力增强、混合专家架构和极低比特量化部署等方面进行改进目标是构建一个更加适合真实应用场景的高质量、高效率、多能力多语翻译模型族。腾讯混元翻译模型坚持从社区和实际应用场景中搜集真实反馈不断提升模型能力同时腾讯混元也希望通过开源和社区活动回馈社区现在腾讯混元也在与WMT26官方合作「视频字幕翻译比赛]使用Hy-MT系列模型参与「通用机器翻译比赛」和「视频字幕翻译比赛」有机会获得混元特设奖励诚邀邀大家参与共同推动机器翻译前沿技术发展。WMT26「视频字幕翻译比赛]:https://www2.statmt.org/wmt26/video-subtitle-translation.htmlWMT26「通用机器翻译赛」:https://www2.statmt.org/wmt26/translation-task.html体验链接和开源地址HuggingFacehttps://huggingface.co/collections/tencent/hy-mt2Modelscopehttps://modelscope.cn/collections/Tencent-Hunyuan/Hy-MT2Githubhttps://github.com/Tencent-Hunyuan/Hy-MT2腾讯云https://console.cloud.tencent.com/tokenhub/text腾讯混元官网https://aistudio.tencent.com/llm/zh?tabIndex0关注腾讯开源公众号获取更多最新腾讯官方开源信息点击【阅读原文】访问Hy Research了解更多技术细节。