Hy-SimulMT vs. NLLB-200: Ein Streaming-Dolmetscher ist kein 200-Sprachen-Übersetzer

Die beiden Benchmark-Namen unterscheiden sich um einen einzigen Buchstaben, und genau dieser Buchstabe macht den ganzen Artikel aus. Hy-SimulMT, der Echtzeit-Dolmetscher für Chinesisch↔Englisch von Tencent Hunyuan, veröffentlicht am 26. Oktober 2026, erzielt eine Punktzahl von 90,3 bei etwas namens FLEURS. NLLB-200, der 200-Sprachen-Textübersetzer von Meta AI aus Juli 2022, wird bei etwas namens FLORES-200 bewertet. Sie sind verwandt – FLEURS besteht aus laut vorgelesenen FLORES-Sätzen –, aber es ist nicht derselbe Test, sie werden nicht auf dieselbe Weise bewertet, und niemand hat diese beiden Modelle jemals gegeneinander antreten lassen. Eine Suche nach diesem Duell liefert die Launch-Berichterstattung über das eine Modell und die Dokumentation des anderen, dazwischen nichts. Dieses Fehlen ist der ehrliche Ausgangspunkt: Das sind keine Konkurrenten, und die sinnvolle Frage ist, für welche Aufgabe jedes von ihnen tatsächlich gedacht ist.

Ein Buchstabe, zwei Benchmarks

FLORES-200 ist ein Text-Benchmark. Meta hat ihn im Rahmen des Projekts No Language Left Behind erstellt: professionell übersetzte Sätze in 200 Sprachen, mit denen gemessen wird, wie gut ein Übersetzungssystem geschriebenen Text von einer Sprache in eine andere überträgt. Die zentrale Kennzahl ist spBLEU, eine BLEU-Variante, die über einen festen, sprachlich ausbalancierten Tokenizer berechnet wird, sodass die Werte über Sprachen mit unterschiedlichen Schriftsystemen hinweg vergleichbar sind. Im NLLB-Paper werden außerdem chrF++ und eine menschliche Bewertung namens XSTS angegeben.

FLEURS ist das gesprochene Gegenstück. Es nimmt FLORES-Satzsets, lässt sie von Muttersprachlern laut vorlesen und bewertet die Sprachübersetzung – Audio hinein, Text heraus. Es deckt 102 statt 200 Sprachen ab. Wenn Tencent für Hy-SimulMT 90,3 auf FLEURS meldet, umfasst diese Zahl die gesamte Pipeline: das Audio hören, die Wörter erkennen und sie übersetzen. Wenn Meta für NLLB-200 spBLEU auf FLORES-200 meldet, ist der Text bereits korrekt und tokenisiert, und das Einzige, was gemessen wird, ist der Übersetzungsschritt.

Stellt man diese beiden Zahlen nebeneinander, hat man nicht zwei Modelle verglichen. Man hat ein Ende-zu-Ende-Sprachsystem mit einem Textübersetzer auf unterschiedlichen Daten, mit unterschiedlichen Metriken und in unterschiedlichen Sprachen verglichen. Das ist der Fehler, zu dem die Ein-Buchstaben-Ähnlichkeit verleitet, und es lohnt sich, ihn noch vor jedem anderen Vergleich in diesem Beitrag zu benennen.

Was NLLB-200 vier Jahre später tatsächlich ist

NLLB-200 wurde im Juli 2022 veröffentlicht und seitdem nicht überarbeitet. Die Checkpoints, die man heute herunterlädt, sind die Checkpoints von 2022. Das ist keine Kritik — es ist eine Aussage darüber, um welche Art von Artefakt es sich hier handelt: eine Forschungsveröffentlichung, die einen Benchmark und einen Datensatz definierte und dann aufhörte.

Die Familie umfasst fünf Größen, und die Bandbreite ist entscheidend:

• NLLB-200-distilled-600M — der kleinste nutzbare Checkpoint, klein genug für eine GPU der Laptop-Klasse.

• NLLB-200-distilled-1.3B und NLLB-200-1.3B – das mittlere Paar, eines für Geschwindigkeit destilliert und eines direkt trainiert.

• NLLB-200-3.3B — das dichte Arbeitstier, die Größe, die die meisten tatsächlich einsetzen.

• NLLB-200-54.5B — das Flaggschiff-Sparse-Modell: 128 Experten mit Top-2-Gating, eine Mixture-of-Experts-Schicht in jedem vierten Transformer-Block und ein Rechenaufwand pro Token, der ungefähr mit dem des dichten 3.3B-Modells vergleichbar ist. Es ist das größte offene Übersetzungsmodell seiner Generation und noch immer der Grund, warum die Familie zitiert wird.

Das Trainingsset umfasste etwa 18 Milliarden parallele Satzpaare, und die zentrale Aussage des Papers war eine BLEU-Verbesserung von 44 % gegenüber dem bisherigen Stand der Technik, gemessen über mehr als 40.000 Übersetzungsrichtungen. Die Architektur ist ein Encoder-Decoder-Transformer, der für die Übersetzung einzelner Sätze gebaut wurde. Es gibt keinen Streaming-Modus, keine Audioeingabe und kein Konzept von Teilausgaben – er nimmt einen Satz entgegen und gibt einen Satz zurück.

Die Lizenz ist CC-BY-NC 4.0, und die Modellkarte sagt unmissverständlich, was beabsichtigt ist: nicht für den Produktionseinsatz freigegeben, nicht für domänenspezifische Übersetzungen, Übersetzungen im Dokumentumfang, Übersetzungen mit langen Eingaben oder zertifizierte Übersetzungen vorgesehen. Der Code rund um die Gewichte steht unter MIT, die Gewichte selbst aber nicht – eine Verwirrung, die diese Veröffentlichung seit vier Jahren begleitet.

Was Hy-SimulMT tatsächlich ist – Stand dieser Woche

Hy-SimulMT ist in nahezu jeder Dimension die entgegengesetzte Form von Artefakt. Es ist ein Sprachmodell: Audio wird mit 16 kHz in 30-Sekunden-Fenstern eingespeist, und das Modell gibt übersetzten Text aus, während die sprechende Person noch spricht. Die Architektur ist ein sparse Mixture-of-Experts mit 30,4 Milliarden Parametern, von denen pro Token etwa 3 Milliarden Parameter aktiv sind, eingebettet in einen 24-schichtigen Audio-Encoder. Das dokumentierte Sprachpaar ist Chinesisch und Englisch, in beide Richtungen.

Seine zentrale Behauptung ist Latenz, nicht Abdeckung. Tencent berichtet von einem StreamLAAL von etwa drei Sekunden bei langem RealSI-Audio und bezeichnet ihn als den niedrigsten unter den Systemen, die es verglichen hat. Das ist eine andere Art von Behauptung als alles im NLLB-Papier, das überhaupt keine Latenzmessung enthält, weil es nichts zu messen gibt: Ein Batch-Textübersetzer hat keine Verzögerung gegenüber einem Sprecher.

Das Release ist Apache-2.0 und ohne Zugangsbeschränkung verfügbar, mit sechs Checkpoints für zwei Ausgabeformen – nur Übersetzung sowie Quelltext plus Übersetzung – jeweils in voller Präzision, FP8 und GGUF. Der Build mit voller Präzision umfasst etwa 61 GB, der GGUF-Q4_K_M-Build 19,7 GB. Sprachausgabe und Stimmklonen erfordern einen separaten TTS-Dienst; das Modell selbst erzeugt Text.

Und wie NLLB-200 bietet es keine gehostete API und keinen veröffentlichten Preis. Tencents Verbraucherangebot ist die App Hy Translate, die einen kostenlosen Tarif bietet. Alles andere bedeutet, die Gewichte selbst auszuführen.

Warum sich die Punktzahlen keine Spalte teilen können

Es liegt nahe, die vier Scores von Hy-SimulMT neben welche NLLB-200-Zahl auch immer gerade zur Hand ist zu stellen. Widerstehen Sie dieser Versuchung – und zwar nicht nur wegen der Unterscheidung zwischen FLEURS und FLORES. Den beiden Modellen werden unterschiedliche Fragen gestellt.

• Eingabemodalität — Hy-SimulMT erhält Audio, daher enthält seine Bewertung Erkennungsfehler. NLLB-200 erhält Text, bei dem der Erkennungsfehler bereits entfernt wurde. Ein Sprachmodell und ein Textmodell starten bei denselben Sätzen nicht von derselben Startlinie.

• Metrik — Hy-SimulMT meldet BLEU-Familien-Werte auf Sprachübersetzungsdatensätzen; NLLB-200 meldet spBLEU, chrF++ und XSTS auf FLORES-200. Der Tokenizer von spBLEU existiert speziell dafür, sprachübergreifende Vergleiche fair zu machen, was bedeutet, dass er nicht mit einer einfachen BLEU-Zahl austauschbar ist, selbst wenn beide BLEU genannt werden.

• Arbeitseinheit — NLLB-200 wird Satz für Satz auf aligniertem Text bewertet. Hy-SimulMT wird auf Streaming-Audio bewertet, wo der interessante Fehler nicht ein falsch übersetztes Wort ist, sondern ein Satz, der zu spät ankommt, um noch nützlich zu sein.

• Anzahl der Richtungen — Bei NLLB-200 werden die über 40.000 Richtungen in seiner Kernkennzahl gemittelt; die vier Benchmarks von Hy-SimulMT decken nur Chinesisch↔Englisch ab. Ein Durchschnitt über den langen Tail und ein Wert für ein einziges ressourcenstarkes Sprachpaar beschreiben unterschiedliche Arten von Leistung.

Auch in seiner eigenen Tabelle liegt Hy-SimulMT nicht durchgängig vorn. Es erzielt 75,5 auf CoVoST2 gegenüber 82,1 von Qwen3.8-LiveTranslate und liegt auf FLEURS (90,3 gegenüber 92,4) und ACL6060 (81,2 gegenüber 82,6) hinter Gemini3.5-LiveTranslate zurück. Sein deutlichster Sieg ist RealSI-Sentence mit 84,7. Alle diese Zahlen wurden vom Anbieter ermittelt, auf dem von Tencent gewählten Testaufbau erzeugt und nicht unabhängig reproduziert. Die Modellkarte gibt auch nicht an, welche seiner beiden Ausgabevarianten sie hervorgebracht hat.

Die Latenz wird in einer Einheit gemessen, die NLLB nicht hat.

Das ist der Teil, der über Deployments entscheidet, und er hat nichts mit Benchmark-Ergebnissen zu tun.

Ein Simultandolmetscher muss einen Kompromiss eingehen, vor dem ein Batch-Übersetzer nie steht: länger warten und besser übersetzen oder früher sprechen und riskieren, falsch zu liegen. StreamLAAL misst diesen Trade-off – grob gesagt, wie weit die Ausgabe im Durchschnitt hinter der Eingabe zurückliegt. Die drei Sekunden von Hy-SimulMT sind eine Aussage über diesen Trade-off. Sie sind ausdrücklich nicht dasselbe wie die Zeit bis zur ersten Sprachausgabe, und Tencent sagt das auf der Modellkarte. Sobald man einen externen TTS-Dienst hinzufügt, schließt das Hörerlebnis auch die Latenz dieses Dienstes ein, die in der Drei-Sekunden-Angabe nicht berücksichtigt ist.

NLLB-200 hat keine entsprechende Kennzahl, weil es keinen Streaming-Pfad besitzt. Man kann einen nachrüsten: das Audio in Blöcke aufteilen, Spracherkennung ausführen, Satzfragmente an NLLB verfüttern und Übersetzungen ausgeben, sobald sie fertig sind. Diese Architektur funktioniert, und Teams haben sie gebaut. Aber die Blockbildung zerstört den Kontext, auf den sich ein Satz-Übersetzer stützt, und die resultierende Qualität ist nicht die Qualität, die auf FLORES-200 mit vollständigen, wohlgeformten Sätzen gemessen wird. Die Lücke zwischen „NLLB-200 erzielt X auf FLORES“ und „NLLB-200 in einer blockbasierten Live-Pipeline klingt wie Y“ ist der Ort, an dem tatsächlich der größte Teil des Engineering-Aufwands steckt.

Das ist die eigentliche Asymmetrie. Hy-SimulMT wurde für den Streaming-Fall entwickelt und zahlt dafür mit Sprachabdeckung und einem Footprint der 30B-Klasse. NLLB-200 wurde auf Breite ausgelegt und zahlt dafür mit einer reinen Batch-Schnittstelle. Keines von beiden ist im Rückstand. Sie sind für unterschiedliche Randbedingungen optimiert.

Abdeckung gegenüber Tiefe

Der dauerhafte Vorteil von NLLB-200 ist der Long Tail. Zweihundert Sprachen, darunter ressourcenarme, die die meisten Modelle von 2026 überhaupt nicht abdecken, in einer Familie, die von einem 600M-Checkpoint bis zu einem 54,5B-Mixture-of-Experts skaliert. Wenn Ihr Problem ein Dokument in einer Sprache mit einigen Millionen Sprechenden ist und keine kommerzielle API es abdeckt, ist NLLB-200 noch eine der wenigen offenen Optionen, und der dichte 3,3B-Checkpoint läuft auf einer einzelnen bescheidenen GPU.

Hy-SimulMT kann diese Aufgabe überhaupt nicht erledigen. Es dokumentiert Chinesisch und Englisch. Seine Hugging-Face-Metadaten tragen ein Tag für 36 Sprachen, aber es ist keine Liste der anderen 34 veröffentlicht, und jedes Beispiel im Repository verwendet en-zh oder zh-en. Eine mehrsprachige Einführung auf Grundlage dieses Tags zu planen, wäre ein Fehler.

Die Hardware-Rechnung läuft genau andersherum. NLLB-200s dichtes 3,3B-Modell belegt in FP16 einige Gigabyte und passt bequem auf eine 16–24-GB-Karte. Sein 54,5B-Flaggschiff umfasst in FP16 etwa 108 GB — eine Angelegenheit für mehrere GPUs. Hy-SimulMT belegt in BF16 rund 61 GB und benötigt einen 80-GB-Beschleuniger, um im Auslieferungszustand betrieben zu werden, oder 19,7 GB bei Q4_K_M über einen GGUF-Pfad, dessen llama.cpp-Unterstützung noch nicht upstream ist. Somit ist NLLB-200 am unteren Ende günstiger und am oberen Ende vergleichbar; die Kosten von Hy-SimulMT konzentrieren sich auf den mittleren Bereich, und dafür erkauft man sich Streaming.

Die Lizenzen weisen in entgegengesetzte Richtungen.

Das ist nicht das Rückgrat des Vergleichs – die Modalität ist es –, aber es ist der schnellste Weg, einen von ihnen für ein kommerzielles Produkt zu disqualifizieren.

Die Gewichte von NLLB-200 stehen unter CC-BY-NC 4.0. Nicht kommerziell. Der umgebende Code steht unter MIT, daher rührt die Verwirrung, aber die Gewichte sind das, was Sie bereitstellen würden, und die Modellkarte von Meta sagt klar, dass die Modelle nicht für den Produktionseinsatz freigegeben sind. Ein kommerzieller Einsatz erfordert entweder ein anderes Modell oder eine Lizenzvereinbarung.

Hy-SimulMT ist Apache-2.0, ohne Zugangsbeschränkung, wobei kommerzielle Nutzung, Änderung und Weiterverbreitung gestattet sind. Tencent liefert zusammen mit dem Inferenzserver ein Trainings-Toolkit aus, sodass fortgesetztes Training ein vorgesehener Anwendungsfall ist. Fällt die Entscheidung zwischen den beiden allein auf Basis der Lizenzierung, ist sie nicht knapp.

Wo sie im selben Stack hingehören

Der Grund, warum dieser Vergleich immer wieder gesucht wird, ist, dass Teams in ein und demselben Produkt auf beide Probleme stoßen. Ein Unternehmen mit chinesischen und englischen Geschäftsaktivitäten braucht einen Live-Dolmetscher für Meetings und eine Text-Pipeline für den Dokumentenverkehr in 200 Sprachen, der per E-Mail, Vertrag und Support-Ticket eingeht. Das sind zwei unterschiedliche Aufgaben, und eine ehrliche Architektur setzt zwei unterschiedliche Modelle ein.

NLLB-200 oder ein moderner Nachfolger übernimmt den Offline-Textpfad: Batch-Übersetzung, Sprachidentifikation, Korpus-Triage, der Long Tail. Hy-SimulMT übernimmt den Live-Sprachpfad Chinesisch↔Englisch, wo die Latenz dominiert und die Abdeckung keine Rolle spielt, weil nur zwei Sprachen im Raum sind. Die Grenze zwischen beiden ist eine Routing-Entscheidung, und es lohnt sich, sie explizit zu benennen, statt eine Anwendung sie aus dem Dateityp ableiten zu lassen.

Keines der beiden Modelle steht im Katalog von OrcaRouter, daher sind wir zu keinem von beiden eine Route. Was ein Router bietet, ist die Nahtstelle darum herum: eine API vor über 200 gehosteten Modellen bei 0 % Aufschlag, den Listenpreis des Anbieters ohne Zuschlag durchgereicht, und eine Routing-DSL, die entscheidet, welchen Pfad eine Anfrage nimmt. Dieser letzte Teil ist unspektakulär und nützlich — Textanfragen werden an ein gehostetes allgemeines Modell durchgereicht, Sprachanfragen gehen an Ihren selbst gehosteten Interpreter, und die Anwendung muss nicht wissen, welche welche ist. Automatisches Failover deckt den Fall ab, dass der gehostete Zweig nicht verfügbar ist und die Anfrage trotzdem etwas zurückgeben muss.

Da der gehostete Teil zum Listenpreis des Anbieters ohne Aufschlag bepreist ist, wird eine Preissenkung des Anbieters auf der Textseite am selben Tag auch auf unserer Seite wirksam. Das ist eine Kleinigkeit, bis man Dokumentverkehr in großem Umfang routet und die Alternative darin besteht, jedes Mal einen Vertrag neu zu verhandeln, wenn ein Anbieter seine Preisliste ändert.

Was vor beidem zu fragen ist

Die Frage ist nicht, welches Modell besser ist. Es sind zwei Fragen, und sie haben unterschiedliche Antworten.

Wenn die Eingabe Audio ist, das noch eintrifft, und die Sprachen Chinesisch und Englisch sind, lautet die Antwort Hy-SimulMT – und bei der Bereitstellung stellt sich dann die Frage, welcher seiner sechs Checkpoints zum Einsatz kommt, was eine Entscheidung über Ausgabeform und Genauigkeit und nicht über Qualität ist. Wenn die Eingabe Text in einer Sprache ist, die Sie noch nicht identifiziert haben, aus einer Menge, die auch ressourcenarme Sprachen umfasst, bleibt NLLB-200 vier Jahre später eine legitime offene Baseline, sofern die nichtkommerzielle Lizenz passt und Sie eine Batch-Schnittstelle akzeptieren.

Was niemand veröffentlicht hat, ist die Brücke: Spracherkennung, die NLLB-200 mit chinesisch↔englischem Audio speist, bewertet auf demselben Streaming-Benchmark wie Hy-SimulMT, wobei Latenz und Qualität gemeinsam berichtet werden. Dieses Experiment würde zeigen, ob ein Textübersetzer von 2022, eingebettet in eine Streaming-Testumgebung von 2026, mit einem eigens entwickelten Dolmetscher konkurrieren kann. Es wäre außerdem der erste ehrliche Vergleich dieser beiden Modelle, und er existiert noch nicht.

Ein letzter Punkt, der klar gesagt werden sollte, weil die Benchmark-Ähnlichkeit bis auf einen Buchstaben weiterhin schlechte Vergleiche erzeugen wird: Ein Modell, das bei FLEURS gewinnt, hat etwas über Sprachübersetzung unter einem bestimmten Testaufbau gezeigt. Ein Modell, das bei FLORES-200 gut abschneidet, hat etwas über Textübersetzung über 200 Sprachen hinweg gezeigt. Keines der beiden Ergebnisse lässt sich auf die Aufgabe des anderen übertragen, und der Anbieter, der beide auf demselben Audio, mit derselben Metrik und derselben Latenzabrechnung veröffentlicht, wird der erste sein, der diesem Vergleich eine Bedeutung verleiht.