Hy-SimulMT-30B-A3B kontra Helsinki-NLP OPUS-MT: tłumacz na żywo przeciwko folderowi specjalistów

Wyobraź sobie tę samą prelekcję konferencyjną obsłużoną na dwa sposoby. W pierwszym mikrofon zasila automatyczny system rozpoznawania mowy, rozpoznane zdanie trafia do modelu tłumaczeniowego, tłumaczenie trafia do syntezatora mowy, a słuchacz słyszy angielski kilka sekund po tym, jak mówca powiedział zdanie po mandaryńsku — przy czym każda nazwa, liczba i akronim przetrwały trzy osobne szanse na zniekształcenie. W drugim pojedynczy model słucha dźwięku i emituje tłumaczenie w miarę rozwijania się zdania. Hy-SimulMT-30B-A3B, udostępniony jako wagi przez Tencent 22 października 2026 r., został stworzony z myślą o drugim. Helsinki-NLP OPUS-MT jest najpowszechniej wdrożonym otwartym systemem tłumaczeniowym na świecie i powstał z myślą o węższej wersji pierwszego: tłumaczy tekst, po jednym zdaniu na raz, z jednym kierunkiem językowym na checkpoint, i został pobrany setki tysięcy razy, ponieważ wykonuje tę pracę na CPU za darmo.

Te dwa nie są rywalami w zwykłym sensie. Jeden to model mowy z 30,4 mld parametrów, który wymaga akceleratora; drugi to zbiór ponad tysiąca dwujęzycznych checkpointów, każdy o około 70–80 mln parametrów, w większości około 300 MB, które wygodnie działają na laptopie. Użyteczne porównanie nie polega na tym, który tłumaczy lepiej. Chodzi o to, gdzie przebiega granica między komponentem tłumaczeniowym a systemem tłumaczeniowym i jak dużą część tej granicy chcesz mieć na własność.

Czym każde z nich tak naprawdę jest

OPUS-MT jest utrzymywany przez grupę NLP Uniwersytetu Helsińskiego i zbudowany na architekturze enkodera-dekodera MarianMT. To nie model, lecz katalog: osobne checkpointy dla chińsko-angielskiego, angielsko-chińskiego, angielsko-niemieckiego i kilkuset innych kierunków, każdy wytrenowany na korpusach równoległych ze zbioru OPUS i każdy możliwy do pobrania osobno. Sam checkpoint chińsko-angielski pobrano prawie pół miliona razy; kierunek odwrotny — około 73 000 razy. Istnieją warianty wielojęzyczne, które łączą wiele języków źródłowych w jeden model z angielskim jako językiem docelowym, ale typowy przypadek to wąski specjalista, który zna dokładnie jedno zadanie.

Architektura wyjaśnia zarówno swoją zaletę, jak i ograniczenie. Enkoder-dekoder z 77 milionami parametrów, wytrenowany wyłącznie na tekstach równoległych, nie ma miejsca na wiedzę o świecie, nie ma interfejsu instrukcji ani mechanizmu strumieniowania. Podaj mu zdanie, a zwróci zdanie. Podaj mu akapit, a przetłumaczy go jako sekwencję zdań bez wspólnego kontekstu, a opublikowane notatki inżynierskie donoszą o tendencji do cichego pomijania treści przy długich danych wejściowych. Nie można mu nakazać zachowania terminu z glosariusza, zachowania klucza JSON ani dopasowania się do formalnego rejestru — tym zajmujesz się podczas przetwarzania wstępnego i redakcji końcowej albo za pomocą dekodowania z ograniczeniami, jeśli jesteś gotów je zbudować.

Hy-SimulMT-30B-A3B to zupełnie inny rodzaj obiektu. Jego konfiguracja opisuje 48-warstwowy rzadki model mieszanki ekspertów z 128 ekspertami, ośmioma kierowanymi plus jednym współdzielonym na token oraz 24-warstwowy koder audio zasilający backbone o szerokości 2048. Skrótu „A3B” w nazwie nie rozwinięto w karcie, ale arytmetyka konfiguracji daje około 3 miliardów aktywnych parametrów wobec 30,4 miliarda łącznie. Przyjmuje audio 16 kHz w trzydziestosekundowych oknach i generuje przetłumaczony tekst; wariant Interleave dodatkowo emituje transkrypcję źródła. Synteza mowy i klonowanie głosu są obsługiwane przez osobną usługę, do której podłącza się zestaw wdrożeniowy, co oznacza, że produkt „speech-to-speech” jest złożeniem, a nie pojedynczym plikiem.

Argument o opóźnieniu jest w rzeczywistości argumentem o propagacji błędów.

Opóźnienie to oczywista różnica i najmniej ciekawa z nich. Kaskadę można dostroić, by była szybka; dobry strumieniowy ASR z hipotezami częściowymi oraz mały model MT mogą generować użyteczny strumień napisów z opóźnieniem znacznie poniżej sekundy względem mówcy. Powód, dla którego istnieją modele symultaniczne, jest taki, że szybkość w kaskadzie okupiona jest tym, że każdy etap otrzymuje mniej kontekstu, a każdy etap popełnia wówczas błędy, których następny etap nie widzi. Moduł rozpoznawania błędnie odbiera nazwę własną, tłumacz nie ma sposobu, by wiedzieć, że to była nazwa, a syntezator z przekonaniem wymawia błędną formę. Słuchacz nie ma sposobu, by stwierdzić, który etap zawiódł.

Pojedynczy model trenowany end-to-end na całym zadaniu może zasadniczo odroczyć decyzję, aż dźwięk rozstrzygnie niejednoznaczność, i może zachować głos mówcy, jeśli włączono klonowanie głosu. Twierdzenie Tencent dotyczy dokładnie tego kompromisu: StreamLAAL wynoszący około trzech sekund na długich nagraniach audio RealSI, opisywany jako najniższy wśród porównywanych systemów, z wynikiem jakości GEMBA powyżej modeli open source w ich tabeli oraz czterech z pięciu komercyjnych API. To, czy trzy sekundy to dobrze, zależy całkowicie od kontekstu — w negocjacjach to długo, a w wykładzie krótko — ale jest mierzone na zadaniu strumieniowym, czyli zadaniu, którego OPUS-MT nie może podjąć bez zbudowanej wokół niego kaskady.

Zasięg, policzony uczciwie

To tutaj folder wygrywa zdecydowanie, i to jest część, którą większość porównań zaciera. Ponad tysiąc checkpointów OPUS-MT obejmuje około stu języków w różnych kierunkach, w tym pary o niskich zasobach, których żaden duży model wielojęzyczny nigdy nie widział. Hy-SimulMT dokumentuje dwukierunkowe tłumaczenie mowy między chińskim a angielskim. Metadane repozytorium oznaczają 36 języków — w tym francuski, arabski, khmerski, tybetański, kazachski i ujgurski — ale opis tekstowy wymienia tylko parę chińsko-angielską i nic w karcie nie wyjaśnia tej rozbieżności. Najbardziej prawdopodobne odczytanie jest takie, że tagi opisują tekstowy szkielet odziedziczony po rodzinie Hy-MT2 Tencenta, a nie zdolność do obsługi mowy, ale to interpretacja, a nie opublikowany fakt.

Uczciwie mówiąc, pokrycie przedstawia się następująco: trzydzieści sześć języków deklarowanych w metadanych, dwa języki z udokumentowanym wsparciem dla mowy, w porównaniu z katalogiem ponad stu języków w tekście. Jeśli potrzebujesz tłumaczenia z mandaryńskiego na angielski podczas spotkania na żywo, Hy-SimulMT jest skierowany dokładnie do Ciebie. Jeśli potrzebujesz tłumaczenia z polskiego na fiński w statycznym dokumencie, OPUS-MT ma dla tego checkpoint, a Hy-SimulMT nie.

Dowody jakości: jedna strona podaje niezależne liczby, druga — tabelę dostawcy.

Niezależne dowody przemawiają na korzyść OPUS-MT w wąskiej kwestii jakości tłumaczenia tekstu. Opublikowane badanie dotyczące tłumaczenia z ladinskiego faszańskiego zmierzyło model OPUS-MT na poziomie 55,61 BLEU z włoskiego na angielski wobec 52,93 dla NLLB-200 i 44,18 dla M2M-100 oraz 44,35 z angielskiego na włoski wobec 40,13 i 32,40. Wniosek z tego badania jest taki, że model wytrenowany wyłącznie na jednym kierunku może nadal pokonać znacznie większe systemy wielojęzyczne w tym kierunku. Nic nie mówi o mowie i nie dotyczy Hy-SimulMT, ponieważ żadne niezależne laboratorium nie oceniło Hy-SimulMT w ogóle.

Z drugiej strony Tencent podaje 90.3 FLEURS, 75.5 CoVoST2, 81.2 ACL6060 i 84.7 RealSI-Sentence dla Hy-SimulMT — wszystkie z własnej ewaluacji. To benchmarki tłumaczenia mowy, więc nie są porównywalne z powyższymi wartościami BLEU i nie mają potwierdzenia ze strony podmiotów trzecich. Jedynym wartym odnotowania sygnałem wewnętrznym jest to, że model przegrywa z Qwen3.8-LiveTranslate w CoVoST2 o 6,6 punktu, jednocześnie wygrywając w pozostałych trzech kolumnach wśród systemów otwartych — przypomnienie, że pojedyncza liczba ukryłaby realną słabość.

Koszt i wdrożenie obok siebie

• Parametry — Hy-SimulMT-30B-A3B: łącznie 30,4 mld, około 3 mld aktywnych, rzadki MoE; Helsinki-NLP OPUS-MT: około 70–80 mln na checkpoint, gęsty.

• Ślad pamięciowy — Hy-SimulMT: około 61 GB wag BF16 przed KV cache, więc 80 GB akceleratora to praktyczne minimum; publikowane są wersje FP8. OPUS-MT: około 300 MB na checkpoint, może działać na CPU.

• Model opóźnień — Hy-SimulMT: strumieniowanie, około 3 s StreamLAAL na długich nagraniach audio. OPUS-MT: zdanie po zdaniu; strumieniowanie wymaga ASR i polityki segmentacji, którą trzeba zbudować.

• Języki — Hy-SimulMT: chiński i angielski udokumentowane w zakresie mowy, 36 oznaczonych w metadanych. OPUS-MT: około stu języków w ponad tysiącu kierunkowych punktów kontrolnych.

• Licencja — Hy-SimulMT: Apache-2.0 dla wag i kodu Tencent, a komponenty stron trzecich objęte własnymi warunkami. OPUS-MT: w zależności od checkpointu i niejednolita — model chińsko-angielski to CC-BY-4.0, model angielsko-chiński to Apache-2.0, angielsko-niemiecki to CC-BY-4.0. Przed wydaniem sprawdź konkretną kartę modelu.

• Hostowane API — Hy-SimulMT: nie opublikowano. OPUS-MT: brak; tylko wagi.

Ta ostatnia para ma znaczenie dla zakupów. Żaden z tych modeli nie znajduje się w katalogu OrcaRouter i nie hostujemy żadnego z nich — samodzielnie hostujesz wagi albo korzystasz z własnego kanału dostawcy. Routing naprawdę sprawdza się w pozostałej części potoku: sumaryzator transkrypcji, weryfikator glosariusza, postedytor i asystent czatu, które otaczają etap tłumaczenia, są zwykłymi wywołaniami modeli, a uruchamianie ich przez jedno API dla 200+ modeli przy 0% narzutu względem cen katalogowych dostawców pozwala uniknąć osobnej umowy z każdym dostawcą. Tłumaczenie rzadko jest jedyną rzeczą, jaką robi produkt do spotkań.

Który z nich należy do twojego stacka?

Wybierz OPUS-MT, gdy dane wejściowe są już tekstem, kierunek jest stały, wolumen jest duży, a budżet zerowy. Pipeline’y dokumentów prawnych, pliki napisów, katalogi e-commerce i tłumaczenie offline w przeglądarce wciąż są lepiej obsługiwane przez specjalistyczny model 300 MB niż przez model o 30 miliardach parametrów, a licencja na checkpoint to jedyna rzecz, którą musisz zweryfikować. Wybierz Hy-SimulMT, gdy dane wejściowe są dźwiękiem, a słuchacz czeka: spotkania na żywo, wykłady, wywiady, tłumaczenie ustne w transmisji, każde środowisko, w którym trzysekundowe opóźnienie i zachowany głos są warte akceleratora i usługi TTS.

Błędem, którego należy unikać, jest traktowanie tego jako konkursu jakości. OPUS-MT nie przegrywa z Hy-SimulMT w tłumaczeniu tekstu; przegrywa w zadaniu, do którego nigdy nie został stworzony. A Hy-SimulMT nie zastępuje tysiąca starannie dopracowanych modeli dwujęzycznych jednym sprytnym modelem — zastępuje kaskadę, którą w przeciwnym razie musiałbyś sam złożyć, dostroić i oddebugować. To różne zakupy, a tylko jeden z nich przychodzi w folderze.