טנסנט בנתה מתורגמן של 3 שניות והשיקה אותו בלי הודעה לעיתונות

ב-22 באוקטובר 2026 הופיעו שישה מאגרים במשפחת מודלים חדשה תחת ארגון tencent ב-Hugging Face. המודל שהמאמר הזה עוסק בו הוא Hy-SimulMT-30B-A3B-Interleave, הווריאנט שפולט גם את טקסט המקור המוכר וגם את התרגום; המודל האח Hy-SimulMT-30B-A3B פולט את התרגום בלבד. שניהם תחת Apache-2.0, לשניהם 30.4 מיליארד פרמטרים, ושניהם נבנו למשימה שאף אחת מגרסאות התרגום הקודמות של Tencent לא יכלה לבצע: להאזין לדיבור בסינית או באנגלית בזמן שהוא נאמר ולהפיק את השפה האחרת בעוד המשפט עדיין בעיצומו. ארבעה ימים לאחר מכן, המאגר הראשי הציג אפס הורדות ושתי לייקים. לא היה פוסט בבלוג של Hunyuan, לא הודעה לעיתונות, לא מאמר ב-arXiv, ולא שורה בסיקור בשפה הסינית של עסקי התרגום של Tencent שהתנהל כל החודש. ההודעה היחידה היא תבליט מתוארך יחיד בקטע החדשות של כרטיס המודל, שנוסף ב-26 באוקטובר, ובו נכתב: שוחרר.

הפער הזה בין מה שהמשקלים עושים לבין כמה בקול רם הם פורסמו הוא הסיפור. מתורגמן סימולטני עם השהיה של כ-שלוש שניות, שניתן להורדה תחת רישיון מתירני, אינו שחרור שגרתי — זה החלק שהופך אפליקציית תרגום ממשהו שמדברים בו בתורות למשהו שאפשר לענוד בפגישה. ההסבר הסביר ביותר לשתיקה נמצא בלוח השנה: Tencent הפכה לשותפה אסטרטגית של ישיבת מנהיגי הכלכלות ה-33 של APEC בשנז'ן ב-23 באוקטובר, יום לאחר שהמשקלים הועלו, ואפליקציית Hy Translate שלה הוכרזה ככלי התרגום הרשמי מבוסס ה-AI עבור המתנדבים והצוות שעבדו באירוע הזה, שנערך ב-18–19 בנובמבר. זו הסקה מתאריכים פומביים, לא משהו ש-Tencent אמרה. מה שלפנינו מפריד בין מה שהמאגר מוכיח לבין מה שהוא רק מרמז.

מה נמצא בפועל במאגר

הארכיטקטורה היא מודל שפה סיבתי בקלט דיבור ופלט טקסט, המתויג hy_v3 ומיושם כ-HYV3SpeechForCausalLM. התצורה מפרטת מערך תערובת-מומחים דליל: 48 שכבות, גודל מוסתר 2,048, 128 מומחים עם ממד מוסתר למומחה של 768, שמונה מומחים מנותבים ועוד מומחה משותף אחד לכל טוקן, ושכבה צפופה אחת בחזית. אינדקס ה-safetensors מונה 30,394,788,480 פרמטרים ב-BF16, ועוד 6,016 המאוחסנים ב-F32. Tencent אינה מפרטת לעולם את ה-"A3B" שבשם, אך החשבון מתיישב עם זה: שמונה מומחים מנותבים ועוד אחד משותף, ברוחב מומחה זה, מסתכמים לבערך 3 מיליארד פרמטרים פעילים לכל טוקן. זהו החישוב שלנו מהתצורה שפורסמה, ולא נתון של הספק.

רכיב ה-front end של האודיו נמצא באותו קובץ קונפיגורציה ולא מוסתר מאחורי pipeline: 128 תאי Mel, מקודד בן 24 שכבות ברוחב 1,024 שמקרין ל-2,048, דגימה בקצב 16 kHz, ומקסימום של 480,000 דגימות — שלושים שניות — לכל חלון קלט. היצירה משתמשת כברירת מחדל ב-temperature 0.0 עם max_new_tokens של 64, וזה מה שהייתם מצפים ממודל שנועד לפלוט מקטע קצר של טקסט מתורגם ואז להמתין לעוד אודיו. maximum position embeddings רשומים כ-262,144; כרטיס המודל אינו מפרסם אורך הקשר שמיש, ועבור אודיו בסטרימינג המספר הזה הרבה פחות משמעותי מחלון השלושים שניות.

שישה צ'ק-פוינטים שוחררו במכה אחת: בסיס ו-Interleave, כל אחד עם בנייה ב-FP8 ובנייה ב-GGUF. קובץ הרישיון הוא Apache-2.0 עם הסייג הרגיל שרכיבי צד שלישי המצורפים שומרים על התנאים שלהם. כרטיס המודל מציין שנים עשר תורמים, מקשר למאגר GitHub המכיל גם שירות הסקה בשם SimulInfer וגם ערכת כלים לאימון בשם SimulTrain, ומפנה לדף מוצר של Tencent ולא למאמר.

מספר השיהוי, ושורת הבנצ'מרק שמערערת על הכותרת

הטענה שחשובה למודל סימולטני אינה איכות התרגום כשלעצמה — אלא האיכות בהשהיה נתונה. Tencent מעריכה זאת על אודיו ארוך ב-RealSI ומדווחת על StreamLAAL של כ-3 שניות, המתואר כנמוך ביותר מבין המערכות שהושוו, עם ציון GEMBA גבוה מזה של מודלי הקוד הפתוח בהשוואה ומארבעה מתוך חמשת ממשקי ה-API המסחריים. StreamLAAL מודד את ההשהיה הממוצעת בין טוקנים במקור וביעד בהגדרת סטרימינג; זה אינו זמן עד לאודיו הראשון, והכרטיס אומר זאת במפורש. הכרטיס גם אינו נוקב בשמו של ה-API המסחרי החמישי שגבר עליו ב-GEMBA.

הטבלה המקוצרת מספקת יותר מידע משום שהיא פחות מחמיאה בעמודה אחת. בארבעה מבחני ייחוס ציבוריים, Tencent מדווחת כי Hy-SimulMT משיג 90.3 ב-FLEURS, 75.5 ב-CoVoST2, 81.2 ב-ACL6060 ו-84.7 ב-RealSI-Sentence. לעומת זאת, Qwen3.8-LiveTranslate מציג 88.4, 82.1, 80.5 ו-84.4; Gemini3.5-LiveTranslate מציג 92.4, 74.4, 82.6 ו-82.2; Seed-LiveInterpret2.0 מציג 85.8, 67.7, 74.8 ו-80.0. קראו את העמודות ולא את הסיכום: Hy-SimulMT מנצח ב-FLEURS, ב-ACL6060 וב-RealSI-Sentence בקרב מערכות פתוחות, מפסיד ל-Qwen ב-CoVoST2 ב-6.6 נקודות, ומפסיד ל-Gemini ב-FLEURS ב-2.1. המשפט של הכרטיס עצמו — גבוה יותר מהמודלים האחרים בקוד פתוח ב-FLEURS, ב-ACL6060 וב-RealSI-Sentence — מנוסח בהיקף זהיר, ומבחן הייחוס החסר הוא זה שבו הוא מציג את הביצועים הגרועים ביותר. כל מספר בטבלה ההיא הופק על ידי Tencent. שום מעבדה עצמאית לא הריצה את המודל הזה.

ההשוואה האנושית ראויה לקריאה מדוקדקת יותר מזו שמציעה הכותרת.

Tencent גם הזמינה השוואה מותאמת מול מתורגמנים מקצועיים: שמונה־עשרה הקלטות בסינית ובאנגלית שפורסמו באינטרנט מספטמבר 2026 ואילך, כל אחת באורך של כשש דקות, על פני עשרה תחומים מתוכנה ורפואה ועד משפט וחקלאות, שתורגמו על ידי שישה אנשי מקצוע — שלושה בעלי תעודות CATTI Level 1 ושלושה בעלי Level 2. עבור כל רמת הסמכה, המתורגמן הטוב מבין השלושה שימש כנקודת ההשוואה. המסקנה היא שהמודל מגיע לאיכות השווה לזו של מתורגמנים סימולטניים אנושיים מומחים, ולעיתים קרובות מגיב מהר יותר.

זו תוצאה בולטת, והיא גם קטנה, והכרטיס אומר זאת בפשטות בהערת שוליים: הממצאים חלים רק על אותן דגימות, על אותם מתורגמנים ועל אותה סביבה, ואינם מהווים הערכה של איכות הדיבור או של דמיון הקול. שני פרטים מתודולוגיים ראויים לזכירה. שימוש במתורגמן בעל הניקוד הגבוה ביותר בכל רמה מציב רף תובעני לאיכות אך לא אחיד לשהיה, מאחר שההשוואה נעשית מול אדם ולא מול המתורגמן המקצועי החציוני. והמבחן מודד מסירת מידע ותזמון, לא את הדבר שרוב המאזינים מבחינים בו ראשון בדיבור של מכונה, כלומר אם הוא נשמע כמו אדם.

מה שהמאגר לא עונה עליו

לכמה מהשאלות הראשונות שקונה היה שואל אין עדיין תשובה מפורסמת. אין API מתארח ואין מחיר: שלא כמו משפחת Hy-MT2, שאותה Tencent מציגה ב-Tencent Cloud בתעריפים מפורסמים לפי טוקן, Hy-SimulMT היא רק משקלים בתוספת אפליקציה לנייד, ופאנל ספקי ההסקה של Hugging Face מציג אותה כלא נפרסה על ידי אף ספק. אין דוח טכני ואין בנצ'מרק מחוץ להערכה של Tencent עצמה. הכרטיס מציין שפלט דיבור ושיבוט קול דורשים שירות TTS מוגדר, ולכן המסגור של "דיבור לדיבור" מתאר מערכת שנבנתה סביב המודל, ולא צ'קפוינט אחד שמפיק שמע. התמיכה ב-llama.cpp לא מוזגה במפורש ל-upstream — הכרטיס ממליץ להמתין לגרסה שתומכת במודל, אף ש-builds של GGUF מפורסמים, ומשתנה הסביבה לדוגמה מפנה לצ'קפוינט בשם hymt-A3b-tgt_only-1019-Q8_0.gguf, שם ארטיפקט שאינו תואם למזהי המודלים הפומביים.

מטא-נתוני השפה הם החלק המבלבל ביותר. המאגר מתייג 36 שפות, מסינית ואנגלית דרך צרפתית, ערבית, חמרית, טיבטית, קזחית ואויגורית. התיעוד הפרוזאי מתאר תרגום דיבור דו-כיווני בין סינית לאנגלית בלבד. שתי הקביעות יכולות להיות נכונות אם השפות הנוספות שייכות לעמוד השדרה הטקסטואלי שירש מ-Hy-MT2 ולא לנתיב הדיבור, אך הכרטיס אינו אומר זאת, וכל מי שמתכנן פריסה ביפנית או בערבית צריך להתייחס לכך כלא מאומת עד ש-Tencent תתעד זאת.

להריץ את זה בעצמך, ומה זה עולה מבחינת חומרה

הנתיב המתועד הוא vLLM 0.31 ואילך עם תמיכה ב-HYV3ForCausalLM, בתוספת חבילת simulst. פקודה אחת מספקת את הסביבה ומפעילה גם את שרת המודל וגם ממשק ווב/API בפורטים 8800 ו-8080 בהתאמה; הממשק מקבל העלאות אודיו, מיקרופון או זרם WebSocket, וכותב אודיו מתורגם לדיסק כאשר TTS מוגדר. ישנו גם גשר llama.cpp שמריץ את שכבת הווב בפורט 8094 מול שרת llama.cpp קיים בפורט 8080, עם מתג MODEL_TYPE עבור נקודות ביקורת של תרגום בלבד לעומת מקור פלוס תרגום. הזיכרון הוא החסם המעשי: 30.4 מיליארד פרמטרים ב-BF16 הם בערך 61 GB של משקלים לפני KV cache ואקטיבציות, כך שמאיץ בודד של 80 GB הוא הרצפה הריאלית, ובניית FP8 היא מה שהופך כרטיס קטן יותר לאפשרי. אלה המספרים שלנו מחישוב מספר הפרמטרים, לא מפרט המינימום של Tencent, שהכרטיס אינו מציין.

עבור צוותים שצינור הפגישות שלהם עושה יותר מאשר לתרגם — לתמצת את התמלול, לחלץ פריטי פעולה, לנסח את המעקב — המתורגמן הוא שלב אחד מבין כמה, והשלבים המאוחרים האלה הם קריאות API רגילות אצל כל ספק שיהיה הטוב ביותר באותו חודש. זו השכבה ש-OrcaRouter מכסה: API אחד ליותר מ-200 מודלים עם מחירי רשימה של הספקים שמועברים הלאה עם 0% תוספת, מעבר אוטומטי לגיבוי כשספק נתקל בתקלה, ו-DSL לניתוב להרכבת שלבים. Hy-SimulMT עצמו אינו בקטלוג שלנו ואיננו מארחים אותו; הנקודה היא שהעבודה שמסביב לא זקוקה לחוזה נפרד לכל ספק.

מה ישנה את ההערכה הזו?

שלושה דברים שווים מעקב, לפי המידה שבה הם יכריעו את השאלה. הערכה בלתי תלויה — סבב IWSLT מפרסם מדי שנה מספרי StreamLAAL עבור מערכות פתוחות, והגשה שמשתמשת במשקלים האלה תהיה המספר הראשון שלא הופק על ידי בעלי המודל. נקודת קצה מתארחת בתשלום, אשר תספר לך אם Tencent מתכוונת לזה כתשתית או כתכונה באפליקציה שלה. והמיזוג של llama.cpp, שמכריע אם גרסאות ה-GGUF הן אפשרות מקומית אמיתית או ממלא מקום. עד אז, הסיכום הכנה הוא ש-Tencent פרסמה את המתרגם הדיבור-סימולטני הפתוח היכול ביותר שראינו, עם מספרים חזקים מטעם הספק, רישיון מתירני, ובלי אישור חיצוני לשום דבר מזה — ושהתזמון, יום לפני הכרזה על שותפות APEC, מרמז שהאישור שחשוב ל-Tencent הוא מתנדב בשנזן שמחזיק טלפון, ולא לוח מובילים של בנצ'מרקים.