Hy-SimulMT vs Hy-SimulMT-30B-A3B: Um Nome, Seis Arquivos, Duas Saídas

Digite Hy-SimulMT no Hugging Face e você não encontrará um repositório com esse nome. Você encontrará seis, e todos eles se chamam Hy-SimulMT-30B-A3B com um sufixo anexado. Essa é a comparação inteira em uma frase. Hy-SimulMT é o nome que a Tencent Hunyuan deu ao anúncio em 26 de outubro de 2026 — o intérprete em tempo real chinês↔inglês que a cobertura da imprensa descreveu como estando cerca de três segundos atrás de quem fala. Hy-SimulMT-30B-A3B é o nome do artefato que você pode realmente baixar. Não há um irmão menor sob o nome curto, nenhuma variante densa, nenhum modelo "base" simples escondido por trás dele. O nome curto é um projeto; o nome longo é uma família de seis arquivos. O que segue é a decisão que uma página de comparação "versus" costuma enterrar: qual desses seis executar, e por que a resposta difere para uma sobreposição de legendas e para um feed de reunião que só precisa de saída de áudio.

O que a Tencent lançou e como decidiu chamá-lo

O próprio repositório da Tencent trata Hy-SimulMT como o nome do projeto: "um modelo de tradução simultânea em tempo real desenvolvido pela Tencent Hunyuan." Os arquivos do cartão do modelo o classificam sob o mesmo rótulo curto. A coleção tem o título "Hy Simultaneous Interpretation Model." Em nenhum lugar desse material há uma hierarquia definida de uma família e seus membros — não há Hy-SimulMT-Small, nem Hy-SimulMT-Mini, nem um checkpoint denso para pessoas sem um acelerador de 80 gigabytes. Todo peso publicado é a mesma arquitetura mixture-of-experts da classe 30B.

Portanto, as seis entradas da coleção não são seis modelos em nenhum sentido significativo. São um único modelo em seis embalagens:

• Hy-SimulMT-30B-A3B — saída apenas de tradução, precisão total, safetensors.

• Hy-SimulMT-30B-A3B-Interleave — transcrição de origem mais tradução, precisão total, safetensors.

• Hy-SimulMT-30B-A3B-FP8 e Hy-SimulMT-30B-A3B-Interleave-FP8 — as mesmas duas formas de saída em uma versão de ponto flutuante de oito bits destinada à execução em GPU única.

• Hy-SimulMT-30B-A3B-GGUF e Hy-SimulMT-30B-A3B-Interleave-GGUF — os mesmos dois formatos de saída quantizados para llama.cpp, em Q4_K_M e Q8_0.

A arquitetura por baixo é um modelo esparso de 30,4 bilhões de parâmetros, com cerca de 3 bilhões de parâmetros ativos por token: 48 camadas, 128 especialistas, com oito roteados e um compartilhado por token, além de um codificador de áudio de 24 camadas que recebe áudio de 16 kHz em janelas de 30 segundos. Esse design do codificador é a parte que vale a pena notar. O modelo foi construído para consumir áudio enquanto ele ainda está chegando, não para receber um arquivo finalizado — e é por isso que a alegação de latência e a alegação de benchmark são medidas em coisas diferentes, e por que nenhuma delas diz qual dos seis arquivos produziu o número.

A licença é Apache-2.0 e sem restrições de acesso, o que é o fato isolado mais forte do lançamento. Sem formulário, sem barreira de uso aceitável, sem cláusula não comercial. O uso comercial, a modificação e a redistribuição são permitidos, e a Tencent publicou um kit de ferramentas de treinamento junto com o servidor de inferência, de modo que o treinamento contínuo é um uso pretendido, e não um uso sem suporte.

A escolha que realmente importa é o formato da saída

Entre os dois checkpoints de precisão total, a diferença não está na qualidade. Está no que o modelo tem permissão para dizer. O checkpoint base emite a tradução e nada mais. O checkpoint Interleave emite o texto de origem reconhecido e, em seguida, a tradução, intercalados à medida que o áudio é transmitido.

Isso parece cosmético até você ver onde esses sistemas são implantados. Um feed de reunião ao vivo que alimenta a síntese de fala quer o checkpoint base: a transcrição é peso morto que custa tokens de saída, adiciona latência a cada bloco e vaza o idioma de origem para um pipeline cujo único consumidor é uma voz. Uma sobreposição de legendas, uma captura de conformidade, uma transcrição bilíngue ou qualquer fluxo de trabalho em que uma pessoa precise conferir a tradução com o que foi dito quer o checkpoint Interleave, porque a alternativa é executar um reconhecedor de fala separado ao lado do tradutor e torcer para que os dois segmentem o áudio da mesma forma. Eles não vão.

O exemplo de implantação com um único comando da própria Tencent usa a variante Interleave como padrão:

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

Esse é um padrão sensato para uma demonstração, em que mostrar o texto de origem prova que o sistema está ouvindo. É o padrão errado para um produto apenas de voz, e é o detalhe que a maior parte da cobertura desta versão deixa passar. Se você está avaliando o modelo em custo de tokens ou latência de ponta a ponta, está medindo um sistema diferente dependendo de qual checkpoint carregou.

Há um custo de segunda ordem no Interleave que o cartão implica, mas não quantifica. Transcrições de streaming são mutáveis. A saída inicial pode ser revisada à medida que mais áudio chega, então um cliente que exibe texto parcial precisa ser construído para aceitar correções, em vez de linhas que só podem ser acrescentadas. A análise do lançamento feita pela AlphaSignal aborda diretamente esse ponto, e é o tipo de detalhe de integração que transforma um protótipo de dois dias em um de três semanas.

Os benchmarks não indicam qual variante mediram

A Tencent publica quatro pontuações de formato curto e um valor de latência de formato longo, e todas as linhas estão rotuladas como "Hy-SimulMT" — não Hy-SimulMT-30B-A3B, e certamente não base versus Interleave. Essa é a lacuna honesta do lançamento, e ela importa mais do que qualquer número individual nele.

• FLEURS — 90,3. Gemini3.5-LiveTranslate pontua 92,4, portanto esta não é uma vitória na categoria.

• CoVoST2 — 75,5, atrás do Qwen3.8-LiveTranslate com 82,1. Esta é a perda mais evidente na tabela e aquela que a cobertura das manchetes tende a omitir.

• ACL6060 — 81,2. Gemini3.5-LiveTranslate obtém 82,6.

• RealSI-Sentence — 84,7, o mais alto do conjunto de comparação.

• Latência de formato longo do RealSI — um StreamLAAL de cerca de três segundos, descrito como o mais baixo entre os sistemas comparados.

Todos esses resultados são executados pelos fornecedores. Nenhum foi reproduzido de forma independente, e a ficha do modelo deixa explícito que o StreamLAAL não é a mesma medida que o tempo até a primeira saída de fala. Os vídeos de demonstração são reproduções offline, portanto, o tempo de reprodução deles também não é uma leitura de latência ao vivo. Leia a tabela como um conjunto de alegações do laboratório que construiu o modelo, feitas em um harness que ele escolheu, com a variante deixada sem nome.

Essa última omissão é corrigível em uma tarde por qualquer pessoa com o hardware: execute ambos os checkpoints no mesmo áudio e publique o delta. Até que alguém faça isso, a suposição razoável é que os números publicados descrevem o caminho apenas de tradução, porque essa é a medição mais limpa — a variante Interleave precisa emitir mais tokens, e mais tokens em um decodificador de streaming significa mais latência. Mas é uma suposição, não uma divulgação.

O formato é a terceira decisão, e o caminho GGUF tem uma pegadinha

O checkpoint de precisão completa tem cerca de 61 GB em BF16. Isso estabelece o patamar mínimo prático para uma implantação confortável em um acelerador de 80 GB, que é o número a considerar no orçamento se você pretende servir o modelo como fornecido. A versão FP8 existe justamente para reduzir esse requisito a uma única placa menor, e a Tencent a posiciona dessa forma.

A rota GGUF parece ainda mais barata, e os tamanhos dos arquivos são concretos. O repositório Interleave GGUF lista o Q4_K_M com 19,7 GB e o Q8_0 com 33,3 GB. Uma quantização de 19,7 GB de um modelo de 30 bilhões de parâmetros é a diferença entre "precisa de uma placa de data center" e "cabe em uma estação de trabalho", e é a versão que a maioria das pessoas vai experimentar primeiro.

O problema é que o suporte do llama.cpp para esta arquitetura ainda não foi mesclado ao repositório upstream. A Tencent fornece uma ponte que espera um servidor llama.cpp já em execução e com capacidade de áudio, com uma opção MODEL_TYPE — target_only para o checkpoint somente de tradução, source_target para o intercalado — e a documentação recomenda aguardar um lançamento oficial. Executar a compilação quantizada hoje significa rodar uma ponte do fornecedor sobre uma compilação do llama.cpp que ainda não sabe o que este modelo é. Isso é razoável para uma avaliação. É uma base frágil para um produto, e o modo de falha é uma dependência que você não consegue atualizar independentemente do patch do fornecedor.

Para o caminho do vLLM, o requisito é a versão 0.31 ou mais recente com suporte a HYV3ForCausalLM, além do pacote simulst. A implantação em várias GPUs é suportada por meio de paralelismo de tensores. O instalador de um comando sobe o serviço web e de API na porta 8080 e o servidor de modelo na 8800, e é executado em um ambiente isolado — o que significa que pode reinstalar o SimulInfer ou alterar versões de dependências se você apontá-lo para uma stack existente. A Tencent documenta um caminho passo a passo exatamente por esse motivo.

O que é preciso para servir, e o que o lançamento não inclui

A saída de fala e a clonagem de voz não são propriedades do checkpoint. O modelo produz texto. Transformar esse texto em fala na voz do falante exige um serviço de TTS configurado separadamente, e cada parte dessa frase tem um custo: outro serviço para executar, outro salto de rede no orçamento de latência, outros termos de fornecedor para revisar e outro ponto de falha entre o microfone e o ouvinte. O model card é direto sobre isso, e é a maior lacuna entre a demonstração e um intérprete implantável.

Também não há API hospedada nem preço publicado. A oferta para consumidores da Tencent é o aplicativo Hy Translate, que oferece um nível gratuito no Android e no iOS — a maneira mais barata de ouvir o que o modelo faz, e inútil como dependência de produção. Para todo o resto, você mesmo hospeda, o que significa que o custo é o acelerador, o tempo de operação e a fatura de TTS, não uma tarifa por token que você possa colocar numa planilha.

A cobertura linguística merece o mesmo escrutínio. A prosa documenta chinês e inglês bidirecionais. Os metadados do Hugging Face marcam o checkpoint com 36 idiomas. Nenhuma lista dos outros 34 é publicada, e os próprios exemplos do repositório são todos en-zh ou zh-en. Trate a tag como metadado herdado até que a Tencent documente o contrário, e não planeje uma expansão para 36 idiomas com base apenas em uma tag.

As afirmações que precisam de uma segunda fonte

A comparação com intérpretes humanos é a afirmação mais citada do lançamento e a menos fundamentada. A Tencent informa uma qualidade "em pé de igualdade com intérpretes simultâneos humanos especialistas, além de muitas vezes responder mais rápido", com base em 18 gravações recém-coletadas de cerca de seis minutos cada, provenientes de dez domínios, avaliadas por seis intérpretes experientes — três com CATTI Nível 1 e três com Nível 2. Para cada nível, foi usada a melhor pontuação entre os três intérpretes.

Esse último detalhe tem um peso enorme. Usar o melhor de três contra uma única execução do modelo é uma construção generosa, e o card não publica intervalos de confiança nem uma discriminação por domínio. Também não publica nenhuma pontuação objetiva de similaridade de locutor para a clonagem de voz, que é o recurso mais provável de decidir se uma implantação parece aceitável para as pessoas na sala. A própria limitação do card — de que a conclusão está limitada às suas amostras, participantes e configurações, e não é uma avaliação abrangente — é a leitura correta. Áudio médico, jurídico e conversacional ruidoso são exatamente onde uma comparação de intérpretes precisaria de números por domínio, e são esses os números que faltam.

Intérpretes profissionais continuam sendo a escolha certa sempre que houver responsabilização, revisão por especialistas ou uma decisão de alto risco. Esse é o enquadramento da Tencent, não o de um crítico, e vale repetir porque a versão de manchete deste comunicado não o fez.

Se você hospedar isso por conta própria, coloque algo por trás.

Nenhum dos dois checkpoints está no catálogo do OrcaRouter, portanto não somos uma rota para nenhum deles, e este texto não vai fingir o contrário. Isso não torna um roteador irrelevante para um interpretador auto-hospedado — desloca-o para a borda. Um caminho de tradução ao vivo é uma cadeia longa: captura de áudio, o servidor do modelo, um serviço de TTS opcional e o cliente. Cada elo pode travar, e uma parada numa reunião é pior do que uma tradução ligeiramente pior. Colocar um modelo de texto hospedado atrás do mesmo endpoint como fallback para o caminho da transcrição — não para o caminho do áudio — significa que um servidor de modelo morto degrada para uma transcrição legível em vez de silêncio.

O OrcaRouter é uma API única na frente de mais de 200 modelos hospedados com 0% de markup, com o preço de tabela do provedor repassado sem nada acrescentado, e a DSL de roteamento é a forma de expressar uma regra de fallback sem uma segunda integração. O failover automático é a parte que importa aqui: a regra é acionada por uma falha no upstream, não por um humano perceber que as legendas pararam.

Qual arquivo, então

O enquadramento de “versus” se desfaz quando você entende a que os nomes se referem, e o que resta é uma decisão de empacotamento com três respostas honestas.

Se está a construir um produto de voz — interpretação de reuniões, um overlay para call centre, qualquer coisa em que a saída seja áudio — escolha Hy-SimulMT-30B-A3B, ou a sua versão FP8 se uma única placa de 80 GB for a limitação. Não precisa da transcrição, não quer pagar para a gerar, e o checkpoint base é o caminho mais limpo em termos de latência.

Se uma pessoa for ler a saída, use Hy-SimulMT-30B-A3B-Interleave. Legendas, atas bilíngues, captura de conformidade e fluxos de trabalho de revisão precisam todos do texto de origem, e executar um reconhecedor separado ao lado do tradutor é como você acaba com duas transcrições que discordam sobre onde a frase terminou.

Se estiver avaliando em vez de implantar, use Hy-SimulMT-30B-A3B-Interleave-GGUF no Q4_K_M, aceite o arquivo de 19,7 GB e a dependência não mesclada do llama.cpp, e trate-o como uma forma de ouvir o modelo em hardware que você já possui. Faça upgrade para o caminho FP8 vLLM somente depois de decidir que a qualidade vale o cartão.

A questão em aberto não é qual arquivo é melhor. É se as pontuações publicadas descrevem o arquivo que você escolheu. A Tencent tem o hardware para responder a isso em um dia e, até que o faça, qualquer pessoa que cite 90,3 ou 84,7 deveria dizer qual dos seis checkpoints acredita ter produzido esse resultado.