Hy-SimulMT مقابل Hy-SimulMT-30B-A3B: اسم واحد، وستة ملفات، ومخرجان

اكتب Hy-SimulMT في Hugging Face، ولن تجد مستودعًا بهذا الاسم. بل ستجد ستة، وكل واحد منها يُسمى Hy-SimulMT-30B-A3B مع لاحقة ملحقة. هذه هي المقارنة كاملة في جملة واحدة. Hy-SimulMT هو الاسم الذي أطلقته Tencent Hunyuan على الإعلان في 26 أكتوبر 2026 — المترجم الفوري الصيني↔الإنجليزي في الوقت الفعلي الذي وصفته التغطية الصحفية بأنه يتأخر نحو ثلاث ثوانٍ عن المتحدث. Hy-SimulMT-30B-A3B هو الاسم الموجود على الملف الذي يمكنك تنزيله فعليًا. لا يوجد نظير أصغر تحت الاسم المختصر، ولا نسخة كثيفة، ولا نموذج «base» عادي يختبئ خلفه. الاسم المختصر مشروع؛ والاسم الطويل عائلة من ستة ملفات. ما يلي هو القرار الذي تدفنه صفحة المقارنة عادةً: أيّ من تلك الستة تشغّل، ولماذا يختلف الجواب بالنسبة لتراكب الترجمة النصية ولتغذية اجتماع لا يحتاج إلا إلى إخراج الصوت.

ما الذي أطلقته Tencent، وما الاسم الذي قررت أن تسميه به

يتعامل مستودع Tencent الخاص به مع Hy-SimulMT بوصفه اسم المشروع: «نموذج ترجمة فورية متزامن طوّرته Tencent Hunyuan». وتُدرجه بطاقة النموذج تحت العلامة المختصرة نفسها. وتحمل المجموعة عنوان «Hy Simultaneous Interpretation Model». ولا يوجد في أي مكان من تلك المواد تعريفٌ لتسلسل هرمي لعائلة ومكوّناتها — فلا Hy-SimulMT-Small، ولا Hy-SimulMT-Mini، ولا نقطة حفظ كثيفة لمن لا يملك مسرّعًا بسعة 80 غيغابايت. وكل وزن مُصدَر هو البنية نفسها من نوع مزيج الخبراء (mixture-of-experts) من فئة 30B.

إذن، المدخلات الستة في المجموعة ليست ستة نماذج بأي معنى ذي دلالة. إنها نموذج واحد في ستة تغليفات:

• Hy-SimulMT-30B-A3B — إخراج ترجمة فقط، بدقة كاملة، بصيغة safetensors.

• Hy-SimulMT-30B-A3B-Interleave — النص المفرّغ المصدر مع الترجمة، بدقة كاملة، بصيغة safetensors.

• Hy-SimulMT-30B-A3B-FP8 وHy-SimulMT-30B-A3B-Interleave-FP8 — نفس شكلي الإخراج في بناء بنقطة عائمة بثمانية بتات مخصّص لخدمة وحدة معالجة رسومات واحدة.

• Hy-SimulMT-30B-A3B-GGUF وHy-SimulMT-30B-A3B-Interleave-GGUF — شكلَا المخرجات نفساهما، مكمَّمان لـ llama.cpp، عند Q4_K_M وQ8_0.

البنية الأساسية هي نموذج متفرق يضم 30.4 مليار معلمة، مع نحو 3 مليارات معلمة نشطة لكل رمز: 48 طبقة، و128 خبيرًا يُوجَّه ثمانية منها ويُشترك واحد لكل رمز، ومشفّر صوتي من 24 طبقة يستقبل صوتًا بتردد 16 kHz ضمن نوافذ مدتها 30 ثانية. تصميم هذا المشفّر هو الجزء الجدير بالملاحظة. صُمم النموذج ليستهلك الصوت وهو لا يزال يصل، لا ليستقبل ملفًا مكتملًا — ولهذا يُقاس ادعاء زمن التأخير وادعاء الاختبار القياسي على شيئين مختلفين، ولهذا لا يخبرك أيٌّ منهما أيًّا من الملفات الستة أنتج الرقم.

الترخيص هو Apache-2.0 وغير مقيّد، وهذا أقوى حقيقة منفردة في الإصدار. لا استمارة، ولا بوابة للاستخدام المقبول، ولا بند غير تجاري. يُسمح بالاستخدام التجاري والتعديل وإعادة التوزيع، وقد نشرت Tencent مجموعة أدوات تدريب إلى جانب خادم الاستدلال، بحيث يكون مواصلة التدريب استخدامًا مقصودًا لا استخدامًا غير مدعوم.

الخيار الذي يهم فعليًا هو شكل المخرجات

بين نقطتي الحفظ بالدقة الكاملة، الفرق ليس في الجودة، بل في ما يُسمح للنموذج بقوله. نقطة الحفظ الأساسية تُخرج الترجمة ولا شيء غيرها. أما نقطة حفظ Interleave فتُخرج النص المصدر المتعرَّف عليه ثم الترجمة، متداخلين كما تتدفق المقاطع الصوتية.

قد يبدو ذلك شكليًا حتى تنظر إلى أين تُنشَر هذه الأنظمة. إن بثّ اجتماع مباشر يغذّي تحويل النص إلى كلام يريد نقطة التحقق الأساسية: فالنص المكتوب عبء لا طائل منه يستهلك رموز المخرجات، ويضيف زمن تأخير إلى كل مقطع، ويُسرّب لغة المصدر إلى خط معالجة لا مستهلك له سوى الصوت. أما تراكب الترجمة النصية، أو التقاط الامتثال، أو النص ثنائي اللغة، أو أي سير عمل يجب فيه على إنسان أن يتحقق من الترجمة مقابل ما قيل، فيريد نقطة تحقق Interleave، لأن البديل هو تشغيل مُعرّف كلام منفصل إلى جانب المترجم والأمل في أن يجزّئ الاثنان الصوت بالطريقة نفسها. ولن يفعلا.

يعتمد مثال النشر بأمر واحد الخاص بـ Tencent افتراضيًا على متغير Interleave:

• bash deploy.sh --install-server --model tencent/Hy-SimulMT-30B-A3B-Interleave

هذا افتراضي معقول لعرض تجريبي، حيث يُثبت إظهار النص المصدر أن النظام يستمع. لكنه افتراضي خاطئ لمنتج صوتي فقط، وهو التفصيل الوحيد الذي تتجاهله معظم التغطيات لهذا الإصدار. إذا كنت تقيّم النموذج على أساس تكلفة الرموز أو زمن الاستجابة من طرف إلى طرف، فأنت تقيس نظامًا مختلفًا حسب نقطة التحقق التي حمّلتها.

ثمة تكلفة غير مباشرة لـ Interleave تشير إليها البطاقة ضمنًا لكنها لا تحددها كميًا. النصوص المنسوخة المتدفقة قابلة للتغيير. يمكن تنقيح المخرجات المبكرة مع وصول مزيد من الصوت، لذا يجب بناء أي عميل يعرض نصًا جزئيًا ليقبل التصحيحات بدلًا من مجرد إلحاق أسطر. والمقال الذي كتبته AlphaSignal عن الإصدار يطرح هذه النقطة مباشرة، وهي من تفاصيل التكامل التي تحوّل نموذجًا أوليًا يستغرق يومين إلى نموذج يستغرق ثلاثة أسابيع.

لا تذكر اختبارات الأداء أيَّ متغيرٍ قاسته.

تنشر تينسنت أربع درجات للنماذج القصيرة ورقمًا واحدًا لزمن استجابة النماذج الطويلة، وكل صف مُعنون بـ "Hy-SimulMT" — وليس Hy-SimulMT-30B-A3B، وبالتأكيد ليس الأساس مقابل Interleave. تلك هي الفجوة الصادقة في الإصدار، وهي أهم من أي رقم منفرد فيه.

• FLEURS — 90.3. تحصل Gemini3.5-LiveTranslate على 92.4، لذا هذا ليس فوزًا في هذه الفئة.

• CoVoST2 — 75.5، متأخرًا عن Qwen3.8-LiveTranslate عند 82.1. هذه هي أوضح خسارة في الجدول، وتلك التي تميل التغطية الرئيسية إلى تجاهلها.

• ACL6060 — 81.2. يسجل Gemini3.5-LiveTranslate 82.6.

• RealSI-Sentence — 84.7، الأعلى في مجموعة المقارنة.

• زمن الاستجابة للنصوص الطويلة في RealSI — قيمة StreamLAAL تبلغ نحو ثلاث ثوانٍ، وُصفت بأنها الأدنى بين الأنظمة المقارَنة.

جميع هذه القياسات أجرتها الجهات المورّدة. ولم يُعِد أحد إنتاجها بشكل مستقل، والبطاقة صريحة في أن StreamLAAL ليس القياس نفسه الخاص بالزمن حتى أول خرج كلامي. أما مقاطع الفيديو التوضيحية فهي إعادات تشغيل غير متصلة، لذا فإن توقيت تشغيلها ليس قراءة كمون حية أيضًا. اقرأ الجدول باعتباره مجموعة ادعاءات من المختبر الذي بنى النموذج، صيغت على أداة اختبار اختارها، مع ترك اسم النسخة دون تسمية.

يمكن لأي شخص يملك العتاد اللازم إصلاح هذا الإغفال الأخير في فترة بعد ظهر واحدة: شغّل كلتا نقطتي التحقق على الصوت نفسه وانشر الفرق. وإلى أن يفعل أحد ذلك، فالافتراض المعقول هو أن الأرقام المنشورة تصف مسار الترجمة فقط، لأن ذلك هو القياس الأنظف — إذ يتعيّن على نسخة Interleave إخراج رموز أكثر، ورموز أكثر في مفكّك ترميز بثّي تعني زمن تأخير أكبر. لكنه افتراض، وليس إفصاحًا.

الصيغة هي القرار الثالث، ومسار GGUF فيه مأخذ.

تبلغ نقطة التحقق كاملة الدقة نحو 61 GB بصيغة BF16. وهذا يضع الحد العملي الأدنى للنشر المريح عند مسرّع سعة 80 GB، وهو الرقم الذي ينبغي أن ترصده في الميزانية إذا كنت تنوي تقديم النموذج كما هو مُورَّد. وقد وُجد إصدار FP8 تحديدًا لخفض هذا المتطلب إلى بطاقة واحدة أصغر، وهكذا تطرحه Tencent.

يبدو مسار GGUF أرخص بعد، وأحجام الملفات محددة. يسرد مستودع Interleave GGUF الإصدار Q4_K_M بحجم 19.7 GB وQ8_0 بحجم 33.3 GB. إن تكميمًا بحجم 19.7 GB لنموذج يضم 30 مليار معامل هو الفرق بين "يحتاج إلى بطاقة مركز بيانات" و"يتسع على محطة عمل"، وهو الإصدار الذي سيجرّبه معظم الناس أولًا.

المشكلة أن دعم llama.cpp لهذه البنية لم يُدمَج بعد في المستودع الأصلي upstream. تشحن Tencent جسرًا يتوقّع خادم llama.cpp قيد التشغيل مسبقًا وقادرًا على الصوت، مع مفتاح MODEL_TYPE — target_only لنقطة التحقق الخاصة بالترجمة فقط، وsource_target للنسخة المتداخلة — وتنصح الوثائق بالانتظار حتى إصدار رسمي. تشغيل البناء المُكمَّم اليوم يعني تشغيل جسر من المورّد فوق بناء llama.cpp لا يعرف بعد ما هذا النموذج. هذا أمر معقول عند إجراء تقييم. لكنه أساس هش لمنتج، ونمط الفشل فيه هو اعتماد لا يمكنك ترقيته بشكل مستقل عن رقعة المورّد.

بالنسبة لمسار vLLM، فإن المتطلب هو الإصدار 0.31 أو أحدث مع دعم HYV3ForCausalLM، بالإضافة إلى حزمة simulst. ويُدعم النشر متعدد وحدات GPU عبر التوازي التنسوري. يقوم المثبّت ذو الأمر الواحد بتشغيل خدمة الويب وواجهة API على المنفذ 8080 وخادم النموذج على المنفذ 8800، ويعمل في بيئة معزولة — ما يعني أنه قد يعيد تثبيت SimulInfer أو يغيّر إصدارات التبعيات إذا وجّهته إلى حزمة تقنيات موجودة. وتوثّق Tencent مسارًا خطوة بخطوة لهذا السبب تحديدًا.

ما يتطلبه تقديم الخدمة، وما لا يتضمنه الإصدار

إخراج الكلام واستنساخ الصوت ليسا من خصائص نقطة التحقق. ينتج النموذج نصًا. ويتطلب تحويل ذلك النص إلى كلام بصوت المتحدث خدمة TTS مُهيأة بشكل منفصل، وكل جزء من تلك الجملة يحمل كلفة: خدمة أخرى يجب تشغيلها، وقفزة شبكة أخرى ضمن ميزانية زمن الاستجابة، وشروط بائع آخر يجب مراجعتها، ونقطة فشل أخرى بين الميكروفون والمستمع. وبطاقة النموذج صريحة بشأن ذلك، وهي أكبر فجوة منفردة بين العرض التجريبي والمترجم الفوري القابل للنشر.

لا توجد أيضًا واجهة برمجة تطبيقات مستضافة ولا سعر منشور. الواجهة الاستهلاكية لدى Tencent هي تطبيق Hy Translate، الذي يوفر خطة مجانية على Android وiOS — وهي أرخص طريقة لسماع ما يفعله النموذج، وغير مجدية كاعتماد في بيئة الإنتاج. أما كل ما عدا ذلك فأنت تستضيفه ذاتيًا، ما يعني أن التكلفة تتمثل في المسرّع، ووقت العمليات، وفاتورة TTS، وليس في سعر لكل رمز يمكنك وضعه في جدول بيانات.

تستحق تغطية اللغات نفس القدر من التدقيق. توثّق المادة النثرية الترجمة ثنائية الاتجاه بين الصينية والإنجليزية. وتُصنّف بيانات Hugging Face الوصفية نقطة الحفظ بـ36 لغة. لم تُنشر قائمة باللغات الـ34 الأخرى، وجميع أمثلة المستودع نفسه هي en-zh أو zh-en. تعامل مع الوسم كبيانات وصفية موروثة إلى أن توثّق Tencent خلاف ذلك، ولا تخطط لإطلاق يدعم 36 لغة استنادًا إلى مجرد وسم.

الادعاءات التي تحتاج إلى مصدر ثانٍ

تُعدّ مقارنة المترجم البشري أكثر الادعاءات اقتباسًا في هذا الإصدار وأقلّها دعمًا. وتُفيد Tencent بجودة «على قدم المساواة مع المترجمين الفوريين البشرين الخبراء، مع الاستجابة الأسرع في كثير من الأحيان»، استنادًا إلى 18 تسجيلًا جُمعت حديثًا، مدة كل منها نحو ست دقائق، مأخوذة من عشرة مجالات، وقيّمها ستة مترجمين فوريين متمرسين — ثلاثة حاصلون على CATTI المستوى 1 وثلاثة حاصلون على المستوى 2. ولكل مستوى، استُخدمت أفضل درجة من بين درجات المترجمين الثلاثة.

هذا التفصيل الأخير يحمل وزنًا كبيرًا. فالأخذ بأفضل نتيجة من ثلاث مقابل تشغيل واحد للنموذج هو بناء سخي، ولا تنشر البطاقة فترات ثقة ولا تقسيمًا حسب المجال. كما أنها لا تنشر أي درجة موضوعية لتشابه المتحدث في استنساخ الصوت، وهي السمة الأرجح أن تحدد ما إذا كان النشر يبدو مقبولًا للأشخاص الموجودين في الغرفة. والقيد الذي تذكره البطاقة نفسها — أن النتيجة محدودة بعيناتها ومشاركيها وإعداداتها، وأنها ليست تقييمًا شاملًا — هو القراءة الصحيحة. فالصوت الطبي والقانوني والمحادثات الصاخبة هي بالضبط حيث تحتاج مقارنة المترجم الفوري إلى أرقام لكل مجال، وهذه هي الأرقام الغائبة.

يظل المترجمون الفوريون المحترفون الخيار الصحيح كلما كانت هناك مساءلة أو مراجعة من خبراء أو قرار عالي المخاطر. هذه صياغة تينسنت، وليست صياغة ناقد، ويستحق الأمر التكرار لأن نسخة العنوان من هذا البيان لم تكرره.

إذا كنت تستضيفه ذاتيًا، فضع شيئًا خلفه

لا توجد أيٌّ من نقطتي الحفظ هاتين في كتالوج OrcaRouter، لذا لسنا مسارًا إلى أيٍّ منهما، ولن يدّعي هذا المقال غير ذلك. لكن هذا لا يجعل الموجّه غير ذي صلة بمترجم مستضاف ذاتيًا — بل ينقله إلى الحافة. مسار الترجمة المباشرة سلسلة طويلة: التقاط الصوت، وخادم النموذج، وخدمة اختيارية لتحويل النص إلى كلام، والعميل. يمكن أن يتعثّر كل رابط، وتعثّر أثناء اجتماع أسوأ من ترجمة أقل جودة بقليل. إن وضع نموذج نصي مستضاف خلف نقطة النهاية نفسها كخيار احتياطي لمسار النص المكتوب — لا لمسار الصوت — يعني أن خادم نموذج معطّلًا يتدهور إلى نص مقروء بدلًا من الصمت.

OrcaRouter هو واجهة API واحدة أمام أكثر من 200 نموذج مستضاف بهامش ربح 0%، إذ يُمرَّر سعر قائمة المزوّد كما هو دون إضافة أي شيء، ولغة DSL للتوجيه هي وسيلة التعبير عن قاعدة احتياطية من دون تكامل ثانٍ. إن تجاوز الفشل التلقائي هو الجزء المهم هنا: تُطلق القاعدة عند حدوث فشل في المنبع، لا عندما يلاحظ إنسان أن الترجمة النصية توقفت.

أي ملف إذًا؟

يتلاشى التأطير التقابلي بمجرد أن تعرف ما تشير إليه الأسماء، وما يبقى هو قرار تغليف له ثلاث إجابات صادقة.

إذا كنت تبني منتجًا صوتيًا — ترجمة الاجتماعات، أو طبقة تراكب لمركز اتصالات، أو أي شيء يكون الناتج فيه صوتًا — فاختر Hy-SimulMT-30B-A3B، أو إصداره المبني بـ FP8 إذا كانت بطاقة واحدة سعة 80 غيغابايت هي القيد. لا تحتاج إلى النص المكتوب، ولا تريد أن تدفع مقابل توليده، ونقطة التحقق الأساسية هي مسار الكمون الأنظف.

إذا كان الناتج سيقرأه إنسان، فاختر Hy-SimulMT-30B-A3B-Interleaveتتطلب الترجمة النصية والمحاضر ثنائية اللغة وسير عمل التقاط ومراجعة الامتثال كلها النص المصدر، كما أن تشغيل محرك تعرّف منفصل إلى جانب المترجم هو ما يفضي بك إلى نصين مفرغين يختلفان حول موضع انتهاء الجملة.

إذا كنت تقيّم بدلًا من النشر، فاخترHy-SimulMT-30B-A3B-Interleave-GGUF بإعداد Q4_K_M، واقبل ملفًا بحجم 19.7 GB واعتماد llama.cpp غير المدموج، واعتبره وسيلة لسماع النموذج على عتاد تملكه بالفعل. لا تنتقل إلى مسار FP8 vLLM إلا بعد أن تقرر أن الجودة تستحق البطاقة.

السؤال المطروح ليس أي ملف أفضل، بل هل تصف الدرجات المنشورة الملف الذي اخترته. لدى Tencent العتاد اللازم للإجابة عن ذلك خلال يوم واحد، وإلى أن تفعل، يجب على كل من يستشهد بـ 90.3 أو 84.7 أن يذكر أيًّا من نقاط التحقق الست يعتقد أنها أنتجتها.