Hy-SimulMT-30B-A3B 対 Tencent Hy-MT2-1.8B：電話に対する会議室

Tencentは現在、ライセンスとラボを共有しながら、それ以外はほとんど共通点のない2つの翻訳モデルを公開している。 Tencent Hy-MT2-1.8BはHy-MT2テキストファミリーの最小モデルで、2026年5月21日にオープンソース化された。18億パラメータのデンスモデルで、1.25ビットで440 MBまで圧縮され、スマートフォンのチップ上でオフライン動作する。 Hy-SimulMT-30B-A3Bはまったく新しい系統で、2026年10月22日に重みとして公開された。304億パラメータ、うち約30億がアクティブで、中国語または英語の音声を聞き取り、文がまだ話されている途中で翻訳するために作られている。一方はポケットに収まる大きさで、26,000回以上ダウンロードされている。もう一方は80 GBのアクセラレータを必要とし、公開から4日後にはダウンロード数がゼロだった。

その差を自然に読めば、大きいモデルの方が優れていて、まだ誰も気づいていないということになる。より有用な読み方は、両者は異なる問いに答えているということだ。Hy-MT2-1.8Bは「ネットワークのないデバイスでどうテキストを翻訳するか？」に答える。Hy-SimulMT-30B-A3Bは「話し手が話し終えるのを待たずにどう会話を翻訳するか？」に答える。Tencentは5か月以内に両方を出荷した。これは、同社がそれらをサイズ曲線上の点ではなく別々の市場と見なしていることを示している。

サイズ違いではなく、別の器官です

Hy-SimulMT-30B-A3B が Hy-MT2 の30Bクラスであり、7B と 30B-A3B MoE が 1.8B より上に位置するのと同じだ、と考えてしまいがちだ。そうではない。Hy-MT2 はテキスト専用のファミリーで、共通のトークナイザー、共通のインストラクションフォーマット、IFMTBench という共通のベンチマークスイートを備えている。その3つのサイズは、品質とコストの異なるポイントで同じ作業をこなすよう訓練されている。Hy-SimulMT は別個のアーキテクチャで、Mixture-of-Experts バックボーンに音声エンコーダーを接続している。幅1,024のエンコーダー層24層が幅2,048のモデルへ射影し、128のエキスパートのうちトークンごとに8つがルーティングされ、さらに1つの共有エキスパートがある。入力はウィンドウあたり最大30秒の16 kHz音声である。

その区別は、移行を計画している人にとって重要だ。Hy-MT2-1.8B の呼び出しを、モデル ID を変更するだけで Hy-SimulMT の呼び出しに置き換えることはできない。一方はテキストを入力とし、もう一方は音声を入力とするうえ、音声モデルの出力は、入力したテキストではなく、聞き取った内容の翻訳だからだ。両者の重なりは概念上のものであり——どちらも中国語と英語を翻訳する——運用上のものではない。

{{1}}1.8B{{/1}}が本当に得意としていること

小型モデルの主張は3つの数字で成り立っている。1つ目は440 MB。これはTencentのAngelSlimツールで生成された1.25ビット量子化のサイズであり、このモデルがApple、Qualcomm、MediaTekのスマートフォンチップで動作する理由でもある。Tencentは、A15上で4ビットの場合、前世代のHy-MT1.5よりも約1.5倍高速だと主張している。2つ目はFLORES-200の英語→Xにおける90.00で、TencentはこれをGemini 3.1 Proのスコアのおよそ89.9%と位置づけている。ベンダーによる比較であり、再現されたものではないが、携帯端末に収まるモデルとしては印象的だ。3つ目はダウンロード数で、メインリポジトリでは26,000以上、いいねも1,000を優に超えている。これに対し、フラッグシップの30B-A3Bは3,132ダウンロードだ。実際に人々が使っているのは小型のほうである。

文書化されている制限も同じくらい明確です。実効コンテキストは8,192トークン、出力上限は4,096トークンです。設定では262,144ポジションと謳われていますが、信頼すべきはTencent自身の推論ガイダンスに示された数値です。33言語に加えて、中国の少数民族言語と方言を5つサポートしています。そして、公表されている結果のうち最も弱いのは指示追従です。IFMTBenchの総合スコアは69.36%で、同ファミリーの30B-A3B兄弟モデルは85.7%です。きれいな一文を翻訳するのが仕事なら、1.8Bは競争力があります。用語集に従い、JSON構造を維持し、レジスターを合わせるのが仕事なら、これは同ファミリーで最も信頼性の低いモデルであり、その差は小さくありません。

30Bで得られるもの、得られないもの

Hy-SimulMT-30B-A3Bを購入する理由は、会話設定における低遅延にある。Tencentは、長尺のRealSI音声でStreamLAALが約3秒であり、比較対象のシステムの中で最低だとし、RealSI-Sentenceでは84.7で、同社の表で最高だと報告している。これらはベンダー自身の評価による音声翻訳の指標であり、独立した再現はない。このモデルはリアルタイムの音声クローンにも対応しているため、翻訳後の音声は話者の声の特徴を保てる。ただし、TTSサービスを接続する場合に限られ、デプロイメントツールキットではその設定が前提となっている。重みだけでは音声を合成しない。

それがもたらさないのは言語カバレッジだ。このカードが文書化しているのは、中国語と英語の間の双方向音声翻訳である。リポジトリには36言語のタグが付いており、これは音声経路ではなくテキスト基盤を反映している可能性が最も高いが、Tencentはこの不一致を説明していない。日本語から英語への音声翻訳が必要なチームには、このモデルで文書化された経路がない。一方、1.8Bは現在テキストとして日本語を扱う。大型モデルは小型モデルのスーパーセットではない。より狭いレーンを持ち、はるかに深く切り込んだ専門家なのだ。

440 MB の実体はどこにあるのか

1.8Bの興味深い点は、そのベンチマークスコアではなく、展開可能な範囲にある。スマートフォン上でオフライン動作するモデルは、翻訳製品が約束できる内容を変える。サーバーとの往復通信なし、トークン単位の課金なし、データがデバイス外に出ない、地下の会議室や飛行機内でも接続環境に依存しない。TencentはこれをHy Translateアプリ内に組み込んで提供している。このアプリは2026年9月24日に中国のアプリストアでリリースされ、テキスト、写真、音声、ターン制の会話モードに加えて、ダウンロード可能なオフラインモデルを提供する。このアプリは12の国と地域に対応し、33言語に加えて5つの少数民族言語と方言をサポートする。

そのアプリはまた、Hy-SimulMTがどこに位置づけられるかを示す最も明確な証拠でもある。9月時点では、会話モードは{{1}}ターン制で、2人が交互に話し、翻訳を読む形式だった{{/1}}。同時通訳モデルは、それを身につけられる通訳者に変えるものだ。Tencentのカードには、Hy-SimulMTがHy Translateアプリで試せること、そして重みの公開時期がTencentのAPEC 2026提携発表の1日前だったことが記されており、これは開発者向けAPIではなくライブイベントでの披露を意図していたことを示唆する。それは公表された日付からの推測であり、明言された計画ではない。

コストとデプロイ、項目ごとに

• パラメータ — Hy-SimulMT-30B-A3B：総パラメータ数30.4B、アクティブ約3B、スパースMoE＋音声エンコーダー；Hy-MT2-1.8B：1.8Bのdenseモデル、テキスト専用。

• フットプリント — Hy-SimulMT: KVキャッシュを除くBF16で約61 GB、FP8ビルドは公開済み。Hy-MT2-1.8B: 1.25ビットで440 MB、FP8およびGGUFビルドも利用可能。

• ハードウェア — Hy-SimulMT：現実的に80 GBアクセラレーター1台。Hy-MT2-1.8B：スマートフォン、ラップトップCPU、または小型GPU1台。

• コンテキスト — Hy-SimulMT：30秒の音声ウィンドウ、Hy-MT2-1.8B：入力8,192トークン、出力4,096トークン。

• 言語 — Hy-SimulMT：音声向けに中国語と英語を記載。Hy-MT2-1.8B：33言語に加え、5つの少数言語と方言。

• 価格 — Hy-SimulMT：ホスト型APIも公開料金もありません。Hy-MT2-1.8B：Tencentのホスト型APIで、2026年8月以降、入力100万トークンあたり約0.044ドル、出力100万トークンあたり約0.177ドルです。

• ライセンス — 両方とも Apache-2.0、両方ともゲートなし、両方ともファインチューニング可能かつ再配布可能。

どちらのモデルもOrcaRouterのカタログには掲載されておらず、当社がホストしているわけでもありません。彼らが提起するルーティングの問いは、よくあるものとは異なります。1.8Bモデルがデバイス上で動作し、30Bモデルが自前のGPU上で動作する場合、ルーターを必要とする呼び出しはそれらの周辺にあるものです。つまり、文書の取り込み、文字起こしの整理、翻訳された会議を議事録に変える要約ツールです。これらは通常のクラウドモデル呼び出しであり、それらを200以上のモデルに対応する単一のAPIの背後に置き、0%のマークアップでプロバイダーの定価に対して提供すれば、ベンダー数を抑えつつ、翻訳段階はセルフホストのままにできます。フェイルオーバーが最も重要になるのは、まさに重要な処理を担うモデルを素早く差し替えられない場合です。

2つの製品であり、2つの段階ではない

デバイス上で、オフラインで、限界費用ゼロで翻訳が必要で、コンテンツがテキストなら、Tencent Hy-MT2-1.8B がそのモデルです — 小規模で、寛容なライセンスで、広く導入されており、指示追従の弱さについて正直です。中国語と英語のライブ会話を翻訳する必要があり、3秒の遅延が許容できるなら、Hy-SimulMT-30B-A3B がそれを実現する唯一の Tencent モデルであり、それが30倍大きいという事実は、音声エンコーダーとレイテンシ予算の代価であって、ほかで活用できる品質向上ではありません。

罠は、より新しく大規模なリリースが、より古く小規模なリリースを取って代わると決めつけることだ。そうではない。これらのモデルの一方は、何百万人もの人が抱える問題を解決するため2万6,000ダウンロードされている。もう一方は、今のところ主にテンセント自身のアプリと、11月に深圳でそれを使うAPECボランティアが抱える問題を解決するため、ダウンロード数はゼロだ。