Hy-SimulMT vs Hy-SimulMT-30B-A3B: un nombre, seis archivos, dos salidas

Escriba Hy-SimulMTen Hugging Face y no encontrará ningún repositorio con ese nombre. Encontrará seis, y todos ellos se llaman Hy-SimulMT-30B-A3B con un sufijo añadido. Esa es toda la comparación en una frase. Hy-SimulMT es el nombre que Tencent Hunyuan le puso al anuncio del 26 de octubre de 2026 —el intérprete en tiempo real chino↔inglés que la cobertura de prensa describió como con unos tres segundos de retraso respecto al hablante. Hy-SimulMT-30B-A3B es el nombre del artefacto que realmente se puede descargar. No hay un hermano menor bajo el nombre corto, ni una variante densa, ni un modelo "base" simple escondido detrás. El nombre corto es un proyecto; el nombre largo es una familia de seis archivos. Lo que sigue es la decisión que una página de comparación suele enterrar: cuál de esos seis ejecutar y por qué la respuesta difiere para una superposición de subtítulos y para una transmisión de reunión que solo necesita salida de audio.

Qué lanzó Tencent y cómo decidió llamarlo

El repositorio propio de Tencent trata Hy-SimulMT como el nombre del proyecto: «un modelo de traducción simultánea en tiempo real desarrollado por Tencent Hunyuan». La ficha del modelo lo clasifica bajo la misma etiqueta corta. La colección se titula «Hy Simultaneous Interpretation Model». En ningún lugar de ese material se define una jerarquía de una familia y sus miembros: ni un Hy-SimulMT-Small, ni un Hy-SimulMT-Mini, ni un checkpoint denso para quienes no disponen de un acelerador de 80 gigabytes. Cada peso publicado es la misma arquitectura de mezcla de expertos de la clase 30B.

Así que las seis entradas de la colección no son seis modelos en ningún sentido significativo. Son un solo modelo en seis presentaciones:

• Hy-SimulMT-30B-A3B — salida solo de traducción, precisión completa, safetensors.

• Hy-SimulMT-30B-A3B-Interleave — transcripción de origen más traducción, precisión completa, safetensors.

• Hy-SimulMT-30B-A3B-FP8 y Hy-SimulMT-30B-A3B-Interleave-FP8 — las mismas dos formas de salida en una compilación de punto flotante de ocho bits pensada para servicio en una sola GPU.

• Hy-SimulMT-30B-A3B-GGUF y Hy-SimulMT-30B-A3B-Interleave-GGUF — las mismas dos formas de salida cuantizadas para llama.cpp, en Q4_K_M y Q8_0.

La arquitectura subyacente es un modelo disperso de 30,4 mil millones de parámetros con aproximadamente 3 mil millones de parámetros activos por token: 48 capas, 128 expertos con ocho enrutados y uno compartido por token, y un codificador de audio de 24 capas que acepta audio de 16 kHz en ventanas de 30 segundos. Ese diseño del codificador es la parte que merece atención. El modelo está construido para consumir audio mientras todavía está llegando, no para recibir un archivo terminado, por lo que la afirmación sobre la latencia y la afirmación sobre el benchmark se miden sobre cosas distintas, y por lo que ninguna de las dos te dice cuál de los seis archivos produjo el número.

La licencia es Apache-2.0 y sin restricciones de acceso, lo que constituye el dato más contundente del lanzamiento. Sin formularios, sin filtros de uso aceptable, sin cláusulas de no comercialización. Se permite el uso comercial, la modificación y la redistribución, y Tencent ha publicado un conjunto de herramientas de entrenamiento junto con el servidor de inferencia, de modo que el entrenamiento continuado es un uso previsto y no una práctica sin respaldo.

La decisión que realmente importa es la forma de la salida.

Entre los dos checkpoints de precisión completa, la diferencia no está en la calidad. Está en lo que se le permite decir al modelo. El checkpoint base emite la traducción y nada más. El checkpoint Interleave emite el texto fuente reconocido y después la traducción, intercalados a medida que se transmiten los flujos de audio.

Eso suena cosmético hasta que se mira dónde se despliegan estos sistemas. Un feed de reuniones en vivo que alimenta la síntesis de voz quiere el checkpoint base: la transcripción es un lastre que cuesta tokens de salida, añade latencia a cada fragmento y filtra el idioma de origen hacia un pipeline cuyo único consumidor es una voz. Una capa de subtítulos, una captura de cumplimiento, una transcripción bilingüe o cualquier flujo de trabajo en el que una persona tenga que comprobar la traducción contra lo que se dijo quiere el checkpoint Interleave, porque la alternativa es ejecutar un reconocedor de voz independiente junto al traductor y esperar que ambos segmenten el audio de la misma manera. No lo harán.

El propio ejemplo de despliegue con un solo comando de Tencent utiliza por defecto la variante Interleave:

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

Ese es un valor predeterminado sensato para una demo, donde mostrar el texto de origen demuestra que el sistema está escuchando. Es el valor predeterminado equivocado para un producto exclusivamente de voz, y es el detalle que omite la mayor parte de la cobertura de este lanzamiento. Si estás evaluando el modelo por coste de tokens o por latencia de extremo a extremo, estás midiendo un sistema distinto según el checkpoint que hayas cargado.

Hay un costo de segundo orden en Interleave que la ficha implica pero no cuantifica. Las transcripciones en streaming son mutables. La salida temprana puede revisarse a medida que llega más audio, por lo que un cliente que muestra texto parcial debe construirse para aceptar correcciones en lugar de líneas de solo adición. El artículo de AlphaSignal sobre el lanzamiento señala este punto directamente, y es el tipo de detalle de integración que convierte un prototipo de dos días en uno de tres semanas.

Los benchmarks no indican qué variante midieron.

Tencent publica cuatro puntuaciones de formato corto y una cifra de latencia de formato largo, y cada fila está etiquetada como "Hy-SimulMT" —no Hy-SimulMT-30B-A3B, y desde luego no base frente a Interleave. Esa es la brecha honesta en la publicación, y importa más que cualquier cifra individual en ella.

• FLEURS — 90.3. Gemini3.5-LiveTranslate obtiene 92.4, así que esto no es una victoria de categoría.

• CoVoST2 — 75.5, por detrás de Qwen3.8-LiveTranslate con 82.1. Esta es la pérdida más clara en la tabla y la que la cobertura de los titulares suele omitir.

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

• RealSI-Sentence — 84.7, el más alto del conjunto de comparación.

• Latencia de formato largo de RealSI — un StreamLAAL de unos tres segundos, descrito como el más bajo entre los sistemas comparados.

Todas estas pruebas están realizadas por el proveedor. Ninguna ha sido reproducida de forma independiente, y la ficha es explícita en que StreamLAAL no es la misma medición que el tiempo hasta la primera salida de voz. Los vídeos de demostración son reproducciones sin conexión, por lo que su tiempo de reproducción tampoco es una lectura de latencia en vivo. Lea la tabla como un conjunto de afirmaciones del laboratorio que construyó el modelo, realizadas en un entorno de pruebas que eligió, con la variante sin nombrar.

Esa última omisión la puede corregir en una tarde cualquiera que tenga el hardware: ejecutar ambos checkpoints con el mismo audio y publicar el delta. Hasta que alguien lo haga, la suposición razonable es que las cifras publicadas describen la ruta de solo traducción, porque esa es la medición más limpia: la variante Interleave tiene que emitir más tokens, y más tokens en un decodificador en streaming es más latencia. Pero es una suposición, no una divulgación.

El formato es la tercera decisión, y la ruta GGUF tiene una pega.

El checkpoint de precisión completa ocupa aproximadamente 61 GB en BF16. Eso sitúa el mínimo práctico para un despliegue cómodo en un acelerador de 80 GB, que es la cifra que hay que presupuestar si se pretende servir el modelo tal como se distribuye. La compilación FP8 existe precisamente para reducir ese requisito a una única tarjeta más pequeña, y Tencent la posiciona de ese modo.

La ruta GGUF parece aún más económica, y los tamaños de archivo son concretos. El repositorio Interleave GGUF indica Q4_K_M con 19,7 GB y Q8_0 con 33,3 GB. Una cuantización de 19,7 GB de un modelo de 30 mil millones de parámetros es la diferencia entre "necesita una tarjeta de centro de datos" y "cabe en una estación de trabajo", y es la versión que la mayoría de la gente probará primero.

La pega es que la compatibilidad de llama.cpp con esta arquitectura aún no se ha fusionado en el repositorio upstream. Tencent distribuye un puente que espera un servidor llama.cpp ya en ejecución y con capacidad de audio, con un conmutador MODEL_TYPE —target_only para el checkpoint solo de traducción, source_target para el intercalado—, y la documentación aconseja esperar a una versión oficial. Ejecutar hoy la compilación cuantizada significa ejecutar un puente del proveedor sobre una compilación de llama.cpp que todavía no sabe qué es este modelo. Es algo razonable para una evaluación. Es una base frágil para un producto, y el modo de fallo es una dependencia que no puedes actualizar independientemente del parche del proveedor.

Para la ruta de vLLM, el requisito es la versión 0.31 o posterior con soporte para HYV3ForCausalLM, además del paquete simulst. El despliegue con varias GPU se admite mediante paralelismo tensorial. El instalador de un solo comando levanta el servicio web y de API en el puerto 8080 y el servidor de modelos en el 8800, y se ejecuta en un entorno aislado, lo que significa que puede reinstalar SimulInfer o cambiar las versiones de las dependencias si lo apuntas a una pila existente. Tencent documenta una ruta paso a paso precisamente por esa razón.

Lo que se necesita para servir, y lo que no incluye la versión.

La salida de voz y la clonación de voz no son propiedades del checkpoint. El modelo produce texto. Convertir ese texto en voz con la voz del hablante requiere un servicio TTS configurado por separado, y cada parte de esa frase conlleva un costo: otro servicio que ejecutar, otro salto de red en el presupuesto de latencia, otros términos de proveedor que revisar y otro punto de fallo entre el micrófono y el oyente. La tarjeta del modelo es clara al respecto, y es la mayor brecha entre la demostración y un intérprete desplegable.

Tampoco hay una API alojada ni un precio publicado. La superficie de consumo de Tencent es la app Hy Translate, que ofrece un nivel gratuito en Android e iOS — la forma más barata de escuchar qué hace el modelo, y inútil como dependencia de producción. Para todo lo demás, lo autoalojas, lo que significa que el costo es el acelerador, el tiempo de operaciones y la factura de TTS, no una tarifa por token que puedas poner en una hoja de cálculo.

La cobertura de idiomas merece el mismo escrutinio. La prosa documenta el chino y el inglés bidireccionales. Los metadatos de Hugging Face etiquetan el checkpoint con 36 idiomas. No se publica ninguna lista de los otros 34, y los propios ejemplos del repositorio son todos en-zh o zh-en. Trata la etiqueta como metadatos heredados hasta que Tencent documente lo contrario, y no planifiques un despliegue de 36 idiomas basándote en una etiqueta.

Las afirmaciones que necesitan una segunda fuente

La comparación con intérpretes humanos es la afirmación más citada del lanzamiento y la menos respaldada. Tencent informa una calidad "a la par de intérpretes simultáneos humanos expertos, y a menudo respondiendo más rápido", basándose en 18 grabaciones recopiladas recientemente de unos seis minutos cada una, extraídas de diez dominios y evaluadas por seis intérpretes experimentados: tres con el nivel 1 del CATTI y tres con el nivel 2. Para cada nivel, se utilizó la mejor puntuación entre los tres intérpretes.

Ese último detalle tiene mucho peso. Tomar el mejor de tres frente a una sola ejecución del modelo es una construcción generosa, y la ficha no publica intervalos de confianza ni un desglose por dominio. Tampoco publica una puntuación objetiva de similitud de hablante para el clonado de voz, que es la característica con más probabilidades de determinar si un despliegue resulta aceptable para las personas presentes en la sala. La propia limitación de la ficha —que la conclusión está acotada por sus muestras, participantes y configuraciones, y que no constituye una evaluación integral— es la lectura correcta. El audio médico, el legal y el de conversaciones con ruido son exactamente los ámbitos en los que una comparación de intérpretes necesitaría cifras por dominio, y esas son precisamente las cifras que faltan.

Los intérpretes profesionales siguen siendo la opción correcta siempre que estén en juego la responsabilidad, la revisión experta o una decisión de alto riesgo. Ese es el planteamiento de Tencent, no el de un crítico, y merece repetirse porque la versión titular de este comunicado no lo hizo.

Si lo autoalojas, pon algo detrás.

Ninguno de los dos checkpoints está en el catálogo de OrcaRouter, así que no somos una ruta hacia ninguno de los dos, y este artículo no pretenderá lo contrario. Eso no hace que un router sea irrelevante para un intérprete autoalojado: lo traslada al borde. Una ruta de traducción en vivo es una cadena larga: captura de audio, el servidor del modelo, un servicio TTS opcional y el cliente. Cada eslabón puede atascarse, y un atasco en una reunión es peor que una traducción ligeramente peor. Colocar un modelo de texto alojado detrás del mismo endpoint como respaldo para la ruta de transcripción —no para la ruta de audio— hace que, cuando el servidor del modelo está caído, se degrade a una transcripción legible en lugar de silencio.

OrcaRouter es una sola API frente a más de 200 modelos alojados con un 0 % de margen, el precio de lista del proveedor se traslada sin añadir nada, y el DSL de enrutamiento es la forma de expresar una regla de respaldo sin necesidad de una segunda integración. La conmutación por error automática es la parte que importa aquí: la regla se activa ante un fallo en el servicio upstream, no cuando una persona se da cuenta de que los subtítulos se han detenido.

¿Qué archivo, entonces?

El planteamiento de «versus» se disuelve una vez que sabes a qué se refieren los nombres, y lo que queda es una decisión de empaquetado con tres respuestas honestas.

Si estás creando un producto de voz —interpretación de reuniones, una capa superpuesta para un centro de llamadas, cualquier cosa en la que la salida sea audio—, elige Hy-SimulMT-30B-A3B, o su versión FP8 si una sola tarjeta de 80 GB es la limitación. No necesitas la transcripción, no quieres pagar por generarla, y el checkpoint base es la ruta de latencia más limpia.

Si una persona va a leer la salida, utilice Hy-SimulMT-30B-A3B-Interleave. Los subtítulos, las actas bilingües y los flujos de trabajo de captura y revisión de cumplimiento necesitan el texto de origen, y ejecutar un reconocedor independiente junto al traductor es como terminas con dos transcripciones que no coinciden sobre dónde terminó la frase.

Si estás evaluando en lugar de desplegar, elige Hy-SimulMT-30B-A3B-Interleave-GGUF en Q4_K_M, acepta el archivo de 19,7 GB y la dependencia de llama.cpp sin fusionar, y trátalo como una forma de escuchar el modelo en hardware que ya tienes. Actualiza a la ruta FP8 vLLM solo cuando hayas decidido que la calidad merece la tarjeta.

La cuestión abierta no es qué archivo es mejor. Es si las puntuaciones publicadas describen el archivo que elegiste. Tencent tiene el hardware para responder eso en un día, y hasta que lo haga, cualquiera que cite 90.3 o 84.7 debería decir cuál de los seis puntos de control cree que lo produjo.