Hy-SimulMT-30B-A3B vs Helsinki-NLP OPUS-MT: En live-tolk mot en mapp av specialister

Föreställ dig samma konferensföredrag hanterat på två sätt. I det första matar en mikrofon en automatisk taligenkännare, den igenkända meningen går till en översättningsmodell, översättningen går till en talsyntes, och lyssnaren hör engelska några sekunder efter att talaren sagt mandarin — med varje namn, nummer och akronym som har klarat sig igenom tre separata chanser att bli förvanskade. I det andra lyssnar en enda modell på ljudet och avger översättningen allteftersom meningen utvecklas. Hy-SimulMT-30B-A3B, som Tencent släppte som vikter den 22 oktober 2026, är byggd för det andra. Helsinki-NLP OPUS-MT är det mest utbredda öppna översättningssystemet i världen och är byggt för en snävare version av det första: det översätter text, en mening i taget, en språkriktning per checkpoint, och det har laddats ned hundratusentals gånger eftersom det utför det jobbet på en CPU gratis.

Dessa två är inte rivaler i vanlig bemärkelse. Den ena är en talmodell med 30,4 miljarder parametrar som kräver en accelerator; den andra är en samling på mer än tusen tvåspråkiga checkpoints med ungefär 70–80 miljoner parametrar var, de flesta runt 300 MB, som körs bekvämt på en laptop. Den användbara jämförelsen är inte vilken som översätter bättre. Det är var gränsen går mellan en översättningskomponent och ett översättningssystem, och hur mycket av den gränsen du vill äga.

Vad var och en faktiskt är

OPUS-MT underhålls av NLP-gruppen vid Helsingfors universitet och bygger på MarianMT:s encoder–decoder-arkitektur. Det är inte en modell utan en katalog: separata checkpoints för kinesiska till engelska, engelska till kinesiska, engelska till tyska och flera hundra andra riktningar, var och en tränad på parallellkorpusar från OPUS-samlingen och var och en nedladdningsbar separat. Enbart checkpointen för kinesiska–engelska har laddats ned nästan en halv miljon gånger; den omvända riktningen har laddats ned omkring 73 000 gånger. Det finns flerspråkiga varianter som samlar många källspråk i en enda modell med engelska som mål, men det vanliga fallet är en smal specialist som kan exakt en uppgift.

Arkitekturen förklarar både dess fördel och dess tak. En encoder-decoder med 77 miljoner parametrar som endast tränats på parallelltext har inget utrymme för världskunskap, inget instruktionsgränssnitt och ingen mekanism för strömning. Mata den med en mening och den returnerar en mening. Mata den med ett stycke och den översätter stycket som en sekvens av meningar utan delad kontext, och publicerade tekniska anteckningar rapporterar en tendens att tyst tappa bort innehåll vid långa indata. Den kan inte instrueras att behålla en ordlisteterm, bevara en JSON-nyckel eller matcha ett formellt register — det hanterar du med förbearbetning och efterredigering, eller med begränsad avkodning om du är beredd att bygga det.

Hy-SimulMT-30B-A3B är en annan sorts objekt. Dess konfiguration beskriver en gles mixture-of-experts-modell med 48 lager och 128 experter, åtta routade plus en delad per token, samt en ljudkodare med 24 lager som matar en 2 048 bred backbone. Namnets "A3B" expanderas inte i kortet, men konfigurationsaritmetiken landar på ungefär 3 miljarder aktiva parametrar mot 30,4 miljarder totalt. Den tar emot 16 kHz-ljud i trettio sekunder långa fönster och producerar översatt text; Interleave-varianten avger även källtranskriptionen. Text-till-tal och röstkloning hanteras av en separat tjänst som distributionsverktygslådan ansluter till, vilket innebär att "speech-to-speech"-produkten är en sammansättning, inte en enda fil.

Argumentet om latens är egentligen ett argument om felpropagering.

Latens är den uppenbara skillnaden och den minst intressanta. En kaskad kan trimmas för att vara snabb; en bra strömmande ASR med delhypoteser plus en liten MT-modell kan producera en användbar undertextström långt under en sekund efter talaren. Anledningen till att simultana modeller finns är att snabbhet i en kaskad köps genom att ge varje steg mindre kontext, och varje steg gör då fel som nästa steg inte kan se. Igenkännaren hör fel på ett egennamn, översättaren har inget sätt att veta att det var ett namn, och syntetiseraren uttalar felet med självförtroende. Lyssnaren har inget sätt att avgöra vilket steg som misslyckades.

En enskild modell som tränats end-to-end på hela uppgiften kan i princip skjuta upp ett beslut tills ljudet löser oklarheten, och den kan föra talarens röst vidare om röstkloning är aktiverat. Tencent:s påstående handlar just om denna avvägning: en StreamLAAL på ungefär tre sekunder på långformat RealSI-ljud, beskriven som den lägsta bland de jämförda systemen, med en GEMBA-kvalitetspoäng över modellerna med öppen källkod i deras tabell och fyra av fem kommersiella API:er. Huruvida tre sekunder är bra beror helt på sammanhanget – det är en lång tid i en förhandling och en kort tid i en föreläsning – men det mäts på streaminguppgiften, vilket är den uppgift som OPUS-MT inte kan försöka sig på utan en kaskad byggd runt den.

Täckning, ärligt räknat

Det är här mappen vinner, avgörande, och det är den del som de flesta jämförelser suddar ut. {{1}}OPUS-MT:s över tusen checkpoints sträcker sig över ungefär hundra språk i olika riktningar, inklusive lågresurspar som ingen stor flerspråkig modell någonsin har sett.{{/1}} {{2}}Hy-SimulMT dokumenterar dubbelriktad talöversättning mellan kinesiska och engelska.{{/2}} Repositoriets metadata taggar {{3}}36 språk{{/3}} — {{4}}bland dem franska, arabiska, khmer, tibetanska, kazakiska och uiguriska{{/4}} — men prosatexten beskriver endast paret kinesiska-engelska, och ingenting i modellkortet förklarar avvikelsen. {{5}}Den mest sannolika tolkningen är att taggarna beskriver textryggraden som ärvts från Tencent's Hy-MT2-familj snarare än talförmågan, men det är en tolkning, inte ett publicerat faktum.{{/5}}

Så den ärliga täckningsraden är: trettiosex språk uppges i metadata, två språk dokumenterade för tal, mot en katalog på ett hundratal språk i text. Om ditt krav är mandarin till engelska i ett live-möte är Hy-SimulMT riktad precis till dig. Om ditt krav är polska till finska på ett statiskt dokument har OPUS-MT en checkpoint för det och Hy-SimulMT har det inte.

Kvalitetsbevis: den ena sidan har oberoende siffror, den andra har en leverantörstabell

Den oberoende bevisningen talar till OPUS-MT:s fördel, i den snäva frågan om textöversättningskvalitet. En publicerad studie om översättning av Fassa Ladin uppmätte en OPUS-MT-modell till 55,61 BLEU för italienska till engelska mot 52,93 för NLLB-200 och 44,18 för M2M-100, samt 44,35 för engelska till italienska mot 40,13 och 32,40. Lärdomen av den studien är att en modell som tränats uteslutande på en riktning fortfarande kan slå mycket större flerspråkiga system i den riktningen. Den säger ingenting om tal, och den involverar inte Hy-SimulMT, eftersom inget oberoende labb har utvärderat Hy-SimulMT alls.

Å andra sidan rapporterar Tencent 90,3 FLEURS, 75,5 CoVoST2, 81,2 ACL6060 och 84,7 RealSI-Sentence för Hy-SimulMT, allt från sin egen utvärdering. Det är benchmark för talöversättning, så de är inte jämförbara med BLEU-siffrorna ovan, och de har ingen bekräftelse från tredje part. Den enda interna signalen värd att notera är att modellen förlorar CoVoST2 mot Qwen3.8-LiveTranslate med 6,6 punkter samtidigt som den vinner de övriga tre kolumnerna bland öppna system – en påminnelse om att en enda siffra skulle ha dolt en verklig svaghet.

Kostnad och driftsättning, sida vid sida

• Parametrar — Hy-SimulMT-30B-A3B: 30,4B totalt, cirka 3B aktiva, gles MoE; Helsinki-NLP OPUS-MT: cirka 70–80M per checkpoint, tät.

• Fotavtryck — Hy-SimulMT: cirka 61 GB BF16-vikter före KV-cache, så en 80 GB accelerator är den praktiska miniminivån; FP8-byggen är publicerade. OPUS-MT: cirka 300 MB per checkpoint, CPU-kapabel.

• Latensmodell — Hy-SimulMT: strömmande, cirka 3 s StreamLAAL på långformat ljud. OPUS-MT: en mening i taget; strömmande kräver en ASR och en segmenteringspolicy som du bygger.

• Språk — Hy-SimulMT: kinesiska och engelska dokumenterade för tal, 36 taggade i metadata. OPUS-MT: ungefär hundra språk över fler än tusen riktningsspecifika checkpoints.

• Licens — Hy-SimulMT: Apache-2.0 för Tencent-vikter och -kod, med tredjepartskomponenter under deras egna villkor. OPUS-MT: per checkpoint och inte enhetligt — modellen för kinesiska till engelska är CC-BY-4.0, modellen för engelska till kinesiska är Apache-2.0, engelska till tyska är CC-BY-4.0. Kontrollera det specifika kortet innan distribution.

• Hostat API — Hy-SimulMT: inga publicerade. OPUS-MT: inga; endast vikter.

Det sista paret spelar roll för upphandlingen. Ingen av modellerna finns i OrcaRouters katalog och vi hostar inte någon av dem – du hostar vikterna själv eller använder leverantörens egen kanal. Det är i resten av pipelinen som routing verkligen har sin plats: transkriptsammanfattaren, ordlistekontrollen, postredigeraren och chattassistenten som ligger runt översättningssteget är vanliga modellanrop, och att köra dem via ett API för 200+ modeller till 0 % påslag över leverantörernas listpriser undviker ett separat avtal per leverantör. Översättning är sällan det enda en mötesprodukt gör.

Vilken hör hemma i din stack?

Välj OPUS-MT när indata redan är text, riktningen är fast, volymen är hög och budgeten är noll. Arbetsflöden för juridiska dokument, undertextfiler, e-handelskataloger och offlineöversättning i webbläsaren hanteras fortfarande bättre av en specialist på 300 MB än av en modell med 30 miljarder parametrar, och licensen per checkpoint är det enda du behöver granska. Välj Hy-SimulMT när indata är ljud och lyssnaren väntar: live-möten, föreläsningar, intervjuer, sändningstolkning, alla sammanhang där en fördröjning på tre sekunder och en bevarad röst är värd en accelerator och en TTS-tjänst.

Misstaget att undvika är att behandla detta som en kvalitetstävling. OPUS-MT förlorar inte mot Hy-SimulMT när det gäller textöversättning; det förlorar på en uppgift som det aldrig byggdes för. Och Hy-SimulMT ersätter inte tusen noggrant utformade tvåspråkiga modeller med en enda smart modell — det ersätter en kaskad som du annars själv skulle behöva sätta ihop, finjustera och felsöka. Det är olika inköp, och bara ett av dem levereras i en mapp.