Hy-SimulMT vs NLLB-200: un intérprete en streaming no es un traductor de 200 idiomas

Los dos nombres de benchmark se diferencian en una sola letra, y esa letra es todo el artículo. Hy-SimulMT, el intérprete en tiempo real chino↔inglés de Tencent Hunyuan lanzado el 26 de octubre de 2026, publica una puntuación de 90,3 en algo llamado FLEURS. NLLB-200, el traductor de texto de 200 idiomas de Meta AI de julio de 2022, se evalúa en algo llamado FLORES-200. Están relacionados —FLEURS se construye a partir de frases de FLORES leídas en voz alta—, pero no son la misma prueba, no se puntúan de la misma manera y nadie ha puesto nunca a estos dos modelos a competir entre sí. Buscar este enfrentamiento devuelve la cobertura del lanzamiento de un modelo y la documentación del otro, sin nada en medio. Esa ausencia es el punto de partida honesto: no son competidores, y la pregunta útil es para qué tarea sirve realmente cada uno.

Una letra, dos benchmarks

FLORES-200 es un benchmark de texto. Meta lo construyó como parte del proyecto No Language Left Behind: frases traducidas profesionalmente en 200 idiomas, utilizadas para medir qué tan bien un sistema de traducción traslada texto escrito de un idioma a otro. La métrica principal es spBLEU, una variante de BLEU calculada sobre un tokenizador fijo y equilibrado por idioma, de modo que las puntuaciones sean comparables entre idiomas que usan distintos sistemas de escritura. El artículo de NLLB también reporta chrF++ y una evaluación humana llamada XSTS.

FLEURS es el hermano oral. Toma conjuntos de oraciones FLORES, hace que hablantes nativos las lean en voz alta y evalúa la traducción de voz: audio de entrada, texto de salida. Cubre 102 idiomas en lugar de 200. Cuando Tencent reporta 90.3 en FLEURS para Hy-SimulMT, esa cifra incluye todo el proceso: oír el audio, reconocer las palabras y traducirlas. Cuando Meta reporta spBLEU en FLORES-200 para NLLB-200, el texto ya es correcto y está tokenizado, y lo único que se mide es el paso de traducción.

Poner esos dos números uno al lado del otro no significa que hayas comparado dos modelos. Has comparado un sistema de voz de extremo a extremo con un traductor de texto sobre datos distintos, con métricas distintas y en idiomas distintos. Este es el error al que invita la similitud de una sola letra, y vale la pena nombrarlo antes que cualquier otra comparación en este artículo.

Qué es realmente NLLB-200, cuatro años después

NLLB-200 se publicó en julio de 2022 y no se ha revisado desde entonces. Los checkpoints que descargas hoy son los checkpoints de 2022. Eso no es una crítica — es una afirmación sobre qué tipo de artefacto es esto: una publicación de investigación que definió un benchmark y un conjunto de datos, y luego se detuvo.

La familia abarca cinco tamaños, y la variedad es lo importante:

• NLLB-200-distilled-600M — el checkpoint utilizable más pequeño, lo suficientemente pequeño para una GPU de clase portátil.

• NLLB-200-distilled-1.3B y NLLB-200-1.3B — la pareja de gama media, uno destilado para velocidad y otro entrenado directamente.

• NLLB-200-3.3B — el caballo de batalla denso, el tamaño que la mayoría de la gente realmente despliega.

• NLLB-200-54.5B — el modelo disperso insignia: 128 expertos con enrutamiento top-2, una capa de mezcla de expertos en cada cuarto bloque transformer y un cómputo por token aproximadamente comparable al del modelo denso de 3,3B. Es el modelo de traducción abierto más grande de su generación y sigue siendo la razón por la que se cita a la familia.

El conjunto de entrenamiento era de aproximadamente 18 mil millones de pares de oraciones paralelas, y la afirmación principal del artículo era una mejora del 44 % en BLEU respecto del estado del arte anterior, medida en más de 40.000 direcciones de traducción. La arquitectura es un transformer codificador-decodificador diseñado para la traducción de una sola oración. No hay modo de streaming, ni entrada de audio, ni noción de salida parcial: toma una oración y devuelve una oración.

La licencia es CC-BY-NC 4.0, y la ficha del modelo es contundente sobre la intención: no se publicó para despliegue en producción, no está destinada a traducción específica de dominio, de longitud documental, de entradas largas ni certificada. El código que rodea a los pesos es MIT, pero los pesos no lo son, que es la confusión que ha acompañado a esta publicación durante cuatro años.

¿Qué es Hy-SimulMT en realidad, a partir de esta semana?

Hy-SimulMT es la forma opuesta de artefacto en casi todas las dimensiones. Es un modelo de voz: el audio llega en streaming a 16 kHz en ventanas de 30 segundos, y el modelo emite texto traducido mientras el hablante aún está hablando. La arquitectura es una mezcla dispersa de expertos de 30,4 mil millones de parámetros con aproximadamente 3 mil millones de parámetros activos por token, envuelta alrededor de un codificador de audio de 24 capas. El par de idiomas documentado es chino e inglés, en ambas direcciones.

Su afirmación central es la latencia, no la cobertura. Tencent informa un StreamLAAL de unos tres segundos en audio RealSI de formato largo, y lo describe como el más bajo entre los sistemas que comparó. Es un tipo de afirmación distinto de cualquier cosa en el artículo de NLLB, que no tiene ninguna medición de latencia porque no hay nada que medir: un traductor de texto por lotes no tiene retraso con respecto a un hablante.

La versión es Apache-2.0 y sin restricciones de acceso, con seis checkpoints que cubren dos formatos de salida —solo traducción y texto de origen más traducción—, cada uno en precisión completa, FP8 y GGUF. La compilación en precisión completa es de alrededor de 61 GB, y la compilación GGUF Q4_K_M es de 19,7 GB. La salida de voz y la clonación de voz requieren un servicio TTS independiente; el modelo en sí produce texto.

Y, al igual que NLLB-200, no tiene una API alojada ni un precio publicado. La interfaz de consumo de Tencent es la aplicación Hy Translate, que tiene un nivel gratuito. Todo lo demás implica ejecutar los pesos.

Por qué las puntuaciones no pueden compartir una columna

La tentación es alinear las cuatro puntuaciones de Hy-SimulMT con el número de NLLB-200 que se tenga más a mano. Resístase a ella, y no solo por la distinción entre FLEURS y FLORES. A los dos modelos se les están planteando preguntas distintas.

• Modalidad de entrada — Hy-SimulMT recibe audio, por lo que su puntuación incluye errores de reconocimiento. NLLB-200 recibe texto con los errores de reconocimiento ya eliminados. Un modelo de voz y un modelo de texto sobre las mismas frases no parten de la misma línea de salida.

• Métrica — Hy-SimulMT informa puntuaciones de la familia BLEU en conjuntos de traducción de voz; NLLB-200 informa spBLEU, chrF++ y XSTS en FLORES-200. El tokenizador de spBLEU existe específicamente para que la comparación entre lenguas sea justa, lo que significa que no es intercambiable con un número BLEU simple incluso cuando ambos se denominan BLEU.

• Unidad de trabajo — NLLB-200 se evalúa oración por oración sobre texto alineado. Hy-SimulMT se evalúa con audio en streaming, donde el fallo interesante no es una palabra mal traducida, sino una oración que llega demasiado tarde para ser útil.

• Número de direcciones — Las más de 40.000 direcciones de NLLB-200 se promedian en su cifra principal; los cuatro puntos de referencia de Hy-SimulMT solo cubren chino↔inglés. Un promedio sobre la cola larga y una puntuación en un único par de altos recursos describen tipos de logros diferentes.

En su propia tabla, Hy-SimulMT tampoco está por delante de manera uniforme. Obtiene 75,5 en CoVoST2 frente a 82,1 de Qwen3.8-LiveTranslate, y queda por detrás de Gemini3.5-LiveTranslate en FLEURS (90,3 frente a 92,4) y ACL6060 (81,2 frente a 82,6). Su victoria más clara es RealSI-Sentence con 84,7. Todas esas cifras las ejecuta el proveedor, se obtuvieron con el arnés elegido por Tencent y no se han reproducido de forma independiente. La ficha del modelo tampoco indica cuál de sus dos variantes de salida las produjo.

La latencia se mide en una unidad que NLLB no tiene

Esta es la parte que decide los despliegues, y no tiene nada que ver con las puntuaciones de los benchmarks.

Un intérprete simultáneo tiene que asumir un compromiso que un traductor por lotes nunca afronta: esperar más y traducir mejor, o hablar antes y correr el riesgo de equivocarse. StreamLAAL mide ese compromiso —a grandes rasgos, cuánto se retrasa la salida respecto de la entrada en promedio—. Los tres segundos de Hy-SimulMT son una afirmación sobre ese compromiso. Explícitamente, no es lo mismo que el tiempo hasta la primera salida de voz, y Tencent lo indica así en la ficha del modelo. Una vez que añades un servicio TTS externo, la experiencia del oyente incluye también la latencia de ese servicio, algo que la cifra de tres segundos no incluye.

NLLB-200 no tiene un número equivalente porque no tiene una ruta de streaming. Se puede añadir una: dividir el audio en fragmentos, ejecutar el reconocimiento de voz, alimentar fragmentos de frases a NLLB y emitir las traducciones a medida que se completan. Esa arquitectura funciona, y hay equipos que la han construido. Pero la fragmentación destruye el contexto del que depende un traductor a nivel de frase, y la calidad resultante no es la calidad medida en FLORES-200 con frases completas y bien formadas. La brecha entre «NLLB-200 obtiene X en FLORES» y «NLLB-200 dentro de una canalización en vivo fragmentada suena como Y» es donde se concentra en realidad la mayor parte del esfuerzo de ingeniería.

Esta es la asimetría real. Hy-SimulMT se diseñó para el caso de streaming y lo paga con cobertura de idiomas y una huella de clase 30B. NLLB-200 se diseñó para la amplitud y lo paga con una interfaz exclusivamente por lotes. Ninguno está por detrás. Están optimizados para restricciones diferentes.

Cobertura frente a profundidad

La ventaja perdurable de NLLB-200 es la cola larga. Doscientas lenguas, incluidas las de bajos recursos que la mayoría de los modelos de 2026 no manejan en absoluto, en una familia que escala desde un checkpoint de 600M hasta una mezcla de expertos de 54.5B. Si tu problema es un documento en una lengua con unos pocos millones de hablantes y ninguna API comercial lo cubre, NLLB-200 sigue siendo una de las pocas opciones abiertas, y el checkpoint denso de 3.3B se ejecuta en una única GPU modesta.

Hy-SimulMT no puede hacer ese trabajo en absoluto. Documenta chino e inglés. Sus metadatos de Hugging Face llevan una etiqueta de 36 idiomas, pero no se publica ninguna lista de los otros 34, y todos los ejemplos del repositorio usan en-zh o zh-en. Planificar un despliegue multilingüe basándose en esa etiqueta sería un error.

La aritmética del hardware funciona al revés. El modelo denso de 3,3B de NLLB-200 ocupa unos pocos gigabytes en FP16 y cabe cómodamente en una tarjeta de 16–24 GB. Su buque insignia de 54,5B ocupa unos 108 GB en FP16 —una propuesta que requiere varias GPU—. Hy-SimulMT ocupa aproximadamente 61 GB en BF16 y necesita un acelerador de 80 GB para funcionar tal como se distribuye, o 19,7 GB en Q4_K_M mediante una ruta GGUF cuyo soporte en llama.cpp aún no está en upstream. Así que NLLB-200 es más económico en el extremo pequeño y comparable en el extremo superior; el costo de Hy-SimulMT se concentra en el medio, y a cambio se obtiene streaming.

Las licencias apuntan en direcciones opuestas.

Esta no es la columna vertebral de la comparación —lo es la modalidad—, pero es la forma más rápida de descartar a uno de ellos para un producto comercial.

Los pesos de NLLB-200 son CC-BY-NC 4.0. No comercial. El código que lo rodea es MIT, y de ahí viene la confusión, pero lo que tú servirías son los pesos, y la ficha de Meta dice claramente que los modelos no se publican para su despliegue en producción. Un despliegue comercial necesita o bien un modelo diferente o bien un acuerdo de licencia.

Hy-SimulMT es Apache-2.0, sin restricciones de acceso, y permite el uso comercial, la modificación y la redistribución. Tencent ofrece un conjunto de herramientas de entrenamiento junto con el servidor de inferencia, por lo que el entrenamiento continuo es un uso previsto. Si la elección se basara únicamente en la licencia, no habría comparación posible.

Donde corresponden dentro de la misma pila

La razón por la que esta comparativa sigue buscándose es que los equipos se topan con ambos problemas en el mismo producto. Una empresa con operaciones en chino e inglés necesita un intérprete en vivo para reuniones y un flujo de texto para el tráfico documental en 200 idiomas que llega por correo electrónico, contrato y ticket de soporte. Son dos tareas distintas, y la arquitectura honesta utiliza dos modelos distintos.

NLLB-200, o un sucesor moderno, se encarga de la ruta de texto fuera de línea: traducción por lotes, identificación de idioma, triaje de corpus, la cola larga. Hy-SimulMT se encarga de la ruta de voz en vivo chino↔inglés, donde la latencia domina y la cobertura no importa porque solo hay dos idiomas en la sala. La frontera entre ambos es una decisión de enrutamiento, y vale la pena declararla explícitamente en lugar de dejar que una aplicación la infiera del tipo de archivo.

Ninguno de los dos modelos está en el catálogo de OrcaRouter, así que no somos una ruta hacia ninguno de ellos. Lo que sí ofrece un router es la capa de unión alrededor de ellos: una API única frente a más de 200 modelos alojados con un 0 % de margen, el precio de lista del proveedor transferido sin añadir nada y un DSL de enrutamiento que decide qué ruta toma una solicitud. Esa última parte es mundana y útil: las solicitudes de texto pasan a un modelo general alojado, las solicitudes de voz van a tu intérprete autoalojado, y la aplicación no necesita saber cuál es cuál. La conmutación por error automática cubre el caso en que el tramo alojado no está disponible y la solicitud aun así tiene que devolver algo.

Como el tramo alojado se factura al precio de lista del proveedor sin ningún recargo, una rebaja de precio del proveedor en el lado del texto está activa en nuestro lado el mismo día. Es algo menor hasta que enrutas tráfico de documentos a gran volumen y la alternativa es renegociar un contrato cada vez que un proveedor cambia su lista de precios.

Qué preguntar antes de cualquiera de los dos

La cuestión no es qué modelo es mejor. Son dos preguntas, y tienen respuestas diferentes.

Si la entrada es audio que aún está llegando, y los idiomas son chino e inglés, la respuesta es Hy-SimulMT — y la pregunta sobre el despliegue pasa a ser cuál de sus seis checkpoints, lo que constituye una decisión sobre la forma y la precisión de la salida en lugar de sobre la calidad. Si la entrada es texto en un idioma que aún no has identificado, dentro de un conjunto que incluye idiomas de bajos recursos, NLLB-200 sigue siendo una línea base abierta legítima cuatro años después, siempre que encaje la licencia no comercial y aceptes una interfaz por lotes.

Lo que nadie ha publicado es el puente: reconocimiento de voz alimentando a NLLB-200 con audio chino↔inglés, evaluado en el mismo benchmark de streaming que Hy-SimulMT, con la latencia y la calidad reportadas conjuntamente. Ese experimento te diría si un traductor de texto de 2022 envuelto en un arnés de streaming de 2026 puede competir con un intérprete diseñado específicamente. También sería la primera comparación honesta de estos dos modelos, y todavía no existe.

Una última cosa que vale la pena decir sin rodeos, porque el parecido de una sola letra entre los benchmarks seguirá generando comparaciones equivocadas: un modelo que gana en FLEURS ha demostrado algo sobre la traducción de voz bajo un entorno de evaluación específico. Un modelo que obtiene buenos resultados en FLORES-200 ha demostrado algo sobre la traducción de texto en 200 idiomas. Ninguno de los dos resultados se traslada al trabajo del otro, y el proveedor que publique ambos sobre el mismo audio, con la misma métrica y la misma contabilización de la latencia, será el primero en hacer que esta comparación signifique algo.