腾讯混元正式开源翻译模型 1.5 版本，共包含两个模型：Tencent-HY-MT1.5-1.8B和Tencent-HY-MT1.5-7B，支持33个语种互译以及5种民汉/方言，除了中文、英语、日语等常见语种，也包含捷克语、马拉地语、爱沙尼亚语、冰岛语等小语种。
根据介绍，HY-MT1.5-1.8B主要面向手机等消费级设备场景，经过量化，支持端侧直接部署和离线实时翻译，仅需1GB内存即可流畅运行，并且在参数量极小的前提下，效果超过了大部分商用翻译API。同时，模型也体现出了极致的效率和性价比，与主流商用翻译模型API对比，HY-MT1.5-1.8B 推理速度更快，处理50个tokens的平均耗时只有0.18秒，其他模型的时间在0.4秒左右。
HY-MT1.5-7B模型效果相比前一版本效果有较大提升，是此前获得WMT25比赛30个语种翻译冠军模型的升级版，重点提升了翻译准确率，大幅减少了译文中夹带注释和语种混杂的情况，实用性进一步增加。
在部分用户实际使用场景下，混元翻译1.8B和7B两个尺寸模型同时使用，可以实现端侧和云侧模型的协同部署，提升模型的效果的一致性和稳定性。
在常用的中外互译和英外互译测试集Flores200、WMT25以及民汉语言的测试集中，Tencent-HY-MT1.5-1.8B全面超越中等尺寸开源模型和主流商用翻译API，达到Gemini-3.0-Pro这种超大尺寸闭源模型的90分位水平。在WMT25和民汉翻译测试集上，其效果仅略微差于Gemini-3.0-Pro，远超其他模型。
HY-MT1.5系列模型在翻译质量与响应效率之间达到了出色的平衡。具体而言，HY-MT1.5-1.8B模型在FLORES-200质量评估中取得了约78%的分数，同时平均响应时间仅为0.18秒，超越主流商用翻译API。
针对各类场景，两个模型均实现了对术语库、长对话、带格式文本（例如网页）的翻译支持，更加全面。
以下为混元 Tencent-HY-MT1.5-1.8B 与苹果手机自带离线翻译的结果对比：
技术方面，HY-MT1.5-1.8B能够用小尺寸实现大尺寸模型的效果，得益于On-Policy Distillation（大尺寸模型蒸馏）策略的引入，让 HY-MT1.5-7B 作为 Teacher，实时引导 1.8B 的 Student 模型，让其避免死记硬背标准答案，通过纠正在预测序列分布时的偏移，让小模型从错误中学习，切实提升能力。
评论删除后，数据将无法恢复
腾讯混元开源翻译模型 1.5
腾讯混元正式开源翻译模型 1.5 版本，共包含两个模型：Tencent-HY-MT1.5-1.8B和Tencent-HY-MT1.5-7B，支持33个语种互译以及5种民汉/方言，除了中文、英语、日语等常见语种，也包含捷克语、马拉地语、爱沙尼亚语、冰岛语等小语种。
根据介绍，HY-MT1.5-1.8B主要面向手机等消费级设备场景，经过量化，支持端侧直接部署和离线实时翻译，仅需1GB内存即可流畅运行，并且在参数量极小的前提下，效果超过了大部分商用翻译API。同时，模型也体现出了极致的效率和性价比，与主流商用翻译模型API对比，HY-MT1.5-1.8B 推理速度更快，处理50个tokens的平均耗时只有0.18秒，其他模型的时间在0.4秒左右。
HY-MT1.5-7B模型效果相比前一版本效果有较大提升，是此前获得WMT25比赛30个语种翻译冠军模型的升级版，重点提升了翻译准确率，大幅减少了译文中夹带注释和语种混杂的情况，实用性进一步增加。
在部分用户实际使用场景下，混元翻译1.8B和7B两个尺寸模型同时使用，可以实现端侧和云侧模型的协同部署，提升模型的效果的一致性和稳定性。
在常用的中外互译和英外互译测试集Flores200、WMT25以及民汉语言的测试集中，Tencent-HY-MT1.5-1.8B全面超越中等尺寸开源模型和主流商用翻译API，达到Gemini-3.0-Pro这种超大尺寸闭源模型的90分位水平。在WMT25和民汉翻译测试集上，其效果仅略微差于Gemini-3.0-Pro，远超其他模型。
HY-MT1.5系列模型在翻译质量与响应效率之间达到了出色的平衡。具体而言，HY-MT1.5-1.8B模型在FLORES-200质量评估中取得了约78%的分数，同时平均响应时间仅为0.18秒，超越主流商用翻译API。
针对各类场景，两个模型均实现了对术语库、长对话、带格式文本（例如网页）的翻译支持，更加全面。
以下为混元 Tencent-HY-MT1.5-1.8B 与苹果手机自带离线翻译的结果对比：
技术方面，HY-MT1.5-1.8B能够用小尺寸实现大尺寸模型的效果，得益于On-Policy Distillation（大尺寸模型蒸馏）策略的引入，让 HY-MT1.5-7B 作为 Teacher，实时引导 1.8B 的 Student 模型，让其避免死记硬背标准答案，通过纠正在预测序列分布时的偏移，让小模型从错误中学习，切实提升能力。