Hy-SimulMT-30B-A3B เทียบกับ Tencent Hy-MT2-7B: ราคาที่คุณบอกได้ กับราคาที่คุณบอกไม่ได้

ถามว่าการล่ามจากภาษาจีนเป็นภาษาอังกฤษหนึ่งชั่วโมงมีค่าใช้จ่ายเท่าไร แล้วโมเดลสองตัวในการเปรียบเทียบนี้จะให้คำตอบที่แตกต่างกันคนละแบบโดยสิ้นเชิง Tencent Hy-MT2-7B ซึ่งเปิดซอร์สเมื่อวันที่ 21 พฤษภาคม 2026 มีตารางราคา: 0.074 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 0.295 ดอลลาร์ต่อล้านโทเค็นเอาต์พุตบน API ที่ Tencent โฮสต์ให้ Hy-SimulMT-30B-A3B ซึ่งเผยแพร่ในรูปแบบเวตเมื่อวันที่ 22 ตุลาคม 2026 ไม่มีราคาที่เผยแพร่เลย — ไม่มีเอนด์พอยต์ ไม่มีอัตราต่อโทเค็น ไม่มีรายการบนคลาวด์สาธารณะ คุณสามารถตั้งงบสำหรับ 7B ได้ละเอียดถึงระดับเซนต์ สำหรับโมเดลเสียงพูด คุณต้องคิดงบสำหรับ GPU และตัวเลขที่คุณได้มาจะขึ้นอยู่กับสิ่งที่คุณมีอยู่แล้วทั้งหมด

ความแตกต่างนั้นไม่ใช่แค่รายละเอียดเรื่องการจัดซื้อจัดจ้าง มันสะท้อนถึงผลิตภัณฑ์ที่แตกต่างกันสองแบบซึ่งมีโครงสร้างต้นทุนที่แตกต่างกัน 7B คือตัวแปลข้อความที่ตั้งราคาแบบสาธารณูปโภค: คุณจ่ายตามโทเคน ขยายตามปริมาณงาน และต้นทุนส่วนเพิ่มของเอกสารอีกหนึ่งฉบับแทบเป็นศูนย์ Hy-SimulMT เป็นระบบเรียลไทม์ที่ตั้งราคาแบบโครงสร้างพื้นฐาน: คุณจ่ายค่าตัวเร่งความเร็วเป็นรายชั่วโมงไม่ว่าจะมีใครพูดหรือไม่ และต้นทุนส่วนเพิ่มของการประชุมอีกหนึ่งครั้งใกล้ศูนย์เพียงเพราะเครื่องกำลังทำงานอยู่แล้ว การเปรียบเทียบกันด้วยจำนวนพารามิเตอร์ไม่ตรงประเด็น การเปรียบเทียบกันด้วยต้นทุนที่แท้จริงของงานหนึ่งชั่วโมงคือประเด็นทั้งหมด

7B คืออะไร และมีค่าใช้จ่ายต่อโทเคนเท่าใด

Tencent Hy-MT2-7B เป็นรุ่นกลางในตระกูลข้อความ Hy-MT2 เป็นตัวถอดรหัสแบบ dense ขนาด 7 พันล้านพารามิเตอร์ที่ฝึกมาเพื่อการแปลข้าม 33 ภาษา บวกกับภาษาชนกลุ่มน้อยและภาษาถิ่นของจีนอีกห้าภาษา มีบริบทการทำงาน 8,192 โทเคน รองรับเอาต์พุตแบบมีโครงสร้างผ่าน response_format และไม่รองรับ function calling ใน BF16 ต้องใช้หน่วยความจำตัวเร่งความเร็วราว 15 GB ประมาณ 8 GB ใน FP8 และไม่กี่ GB ในรูปแบบ GGUF — GPU ระดับกลางเพียงตัวเดียว หรือ CPU หากคุณอดทนพอ

คุณภาพตามที่ผู้ขายรายงานนั้นอยู่ใกล้ระดับแนวหน้าบนเบนช์มาร์กที่ Tencent เลือก บน FLORES-200 ได้คะแนน 86.89 XCOMET-XXL ซึ่ง Tencent นำเสนอว่าเป็นประมาณ 97.9% ของ Gemini 3.1 Pro ในโหมด thinking บน DomainMTBench รายงาน 94.92 และ 92.79 ในสองชุดการแบ่งข้อมูล ส่วนบน IFMTBench ซึ่งเป็นชุดทดสอบการปฏิบัติตามคำสั่งที่ Tencent สร้างขึ้นสำหรับตระกูลนี้ ได้ 83.14 โดยรวม ไม่มีตัวเลขใดเหล่านี้ที่ได้รับการทำซ้ำอย่างเป็นอิสระ สิ่งเหล่านี้เป็นตัวเลขของผู้ขาย และ它们อธิบายโมเดลที่เก่งการแปลแบบควบคุม — อภิธานศัพท์ ระดับภาษา เอาต์พุตแบบมีโครงสร้าง — ซึ่งเป็นช่องว่างที่แยก 7B ออกจาก 1.8B ที่ต่ำกว่านั้นพอดี

ในอัตราแบบโฮสต์ อินพุตหนึ่งล้านโทเค็นมีค่าใช้จ่ายเจ็ดเซนต์ และเอาต์พุตหนึ่งล้านโทเค็นมีค่าใช้จ่ายต่ำกว่าสามสิบเซนต์ สำหรับงานด้านข้อความ นั่นแทบจะฟรี คำถามที่น่าสนใจคือจะเกิดอะไรขึ้นเมื่ออินพุตไม่ใช่ข้อความ

การคำนวณเวลาพูดหนึ่งชั่วโมง ทั้งสองทาง

การพูดต่อเนื่องหนึ่งชั่วโมงมีคำภาษาอังกฤษประมาณ 9,000 คำ ซึ่งอยู่ที่ราว 12,000 โทเค็น หากนำไปผ่าน Tencent Hy-MT2-7B ในราคาตามรายการ ค่าแปลเองจะอยู่ที่ประมาณครึ่งเซนต์: ประมาณ $0.0009 สำหรับอินพุต และ $0.0035 สำหรับเอาต์พุต รวมแล้วเรียกได้ว่า $0.0044 แม้การประมาณจำนวนโทเค็นจะคลาดเคลื่อนไปถึงสองเท่า ตัวเลขก็ยังเป็นเพียงเศษเสี้ยวของเซนต์อยู่ดี

แต่ 7B ได้ยินไม่ได้ ไปป์ไลน์ข้อความเริ่มต้นด้วยตัวรู้จำเสียง และตัวรู้จำเสียงแบบโฮสต์โดยทั่วไปมีค่าใช้จ่ายประมาณสองสามในสิบของเซนต์ต่อนาที ซึ่งทำให้เสียงหนึ่งชั่วโมงมีต้นทุนต่ำกว่าหนึ่งดอลลาร์เล็กน้อยก่อนที่ตัวแปลจะเริ่มทำงานด้วยซ้ำ นั่นคือการแก้ไขอย่างตรงไปตรงมาครั้งแรกต่อเรื่องเล่า “7B ถูกกว่า”: ในระบบแบบคาสเคด ตัวแปลไม่ใช่ขั้นตอนที่แพง ตัวรู้จำเสียงต่างหากที่เป็น การแก้ไขที่สองคือความหน่วง — คาสเคดที่รอจุดสิ้นสุดประโยค ถอดเสียง แปล และแสดงผล จะตามหลังผู้พูดมากกว่าโมเดลแบบพร้อมกัน และจำนวนโทเค็นราคาถูกไม่ว่าจะมากแค่ไหนก็แก้ปัญหานั้นไม่ได้

Hy-SimulMT-30B-A3B พลิกโครงสร้างต้นทุน ไม่มีค่าใช้จ่ายต่อโทเคน porque ไม่มีบริการแบบโฮสต์ คุณต้องเช่าหรือเป็นเจ้าของฮาร์ดแวร์เอง น้ำหนัก BF16 มีขนาดประมาณ 61 GB ก่อนรวม KV cache ดังนั้นตัวเร่งความเร็ว 80 GB จึงเป็นระดับพื้นฐานที่เป็นจริง และการเช่าการ์ดเดียวมีราคาตั้งแต่ประมาณ $2 ต่อชั่วโมงที่คลาวด์ GPU เฉพาะทาง ไปจนถึงมากกว่า $10 ในรายการออนดีมานด์ของผู้ให้บริการไฮเปอร์สเกล ที่ระดับต่ำสุด การประชุมหนึ่งชั่วโมงมีค่าคอมพิวต์ประมาณ $2; ที่ระดับสูงสุด หนึ่งชั่วโมงมีค่าใช้จ่ายเท่ากับค่าเช่าหนึ่งชั่วโมง ตัวเลขทั้งสองถือว่าเครื่องถูกใช้กับการประชุมนั้นโดยเฉพาะ ซึ่งเป็นกรณีเลวร้ายที่สุด — เซิร์ฟเวอร์ที่รองรับสตรีมพร้อมกันหลายรายการจะแบ่งต้นทุนกัน การรันบิลด์ FP8 บนการ์ดที่เล็กกว่าจะลดระดับพื้นฐานลงไปอีก

ดังนั้น การเปรียบเทียบจึงอยู่ที่ประมาณ $0.30–$1.00 ต่อชั่วโมงการประชุมสำหรับแบบ cascade ซึ่งมีต้นทุนหลักอยู่ที่การรู้จำเสียง เทียบกับ $2–$12 ต่อชั่วโมงการประชุมสำหรับแบบ simultaneous ซึ่งมีต้นทุนหลักอยู่ที่ GPU นี่คือความแตกต่างจริงถึงหนึ่งถึงสองอันดับขนาด และนี่คือกรอบความคิดที่ถูกต้อง: คุณไม่ได้จ่ายเพื่อการแปลที่ดีกว่า แต่คุณกำลังจ่ายเพื่อให้ได้ความหน่วงสามวินาทีแทนที่จะเป็นสิบห้าวินาที ทีมที่ต้องการความหน่วงนั้นก็จะจ่าย ทีมที่ไม่ต้องการก็กำลังซื้อตัวเร่งความเร็วเพื่อแก้ปัญหาที่ตนไม่มี

คุณภาพ: ไม้บรรทัดที่แตกต่างกันสองอัน

ไม่มีวิธีใดที่ซื่อตรงในการนำคะแนน 86.89 บน FLORES-200 ของ Tencent Hy-MT2-7B มาวางเทียบกับ 84.7 ของ Hy-SimulMT บน RealSI-Sentence ตัวหนึ่งวัดการแปลข้อความเทียบกับข้อมูลอ้างอิง อีกตัววัดการแปลเสียงบน benchmark ที่สร้างขึ้นสำหรับเสียงแบบสตรีมมิ่ง ทั้งสองมีเพียงรูปแบบตัวเลขที่เหมือนกันเท่านั้น และไม่มีอะไรอื่นที่เหมือนกัน สิ่งที่เปรียบเทียบได้คือลักษณะของหลักฐาน โมเดล 7B มีตารางที่เผยแพร่ครบถ้วนครอบคลุม FLORES-200, WMT25, DomainMTBench และ IFMTBench ซึ่งทั้งหมดดำเนินการโดยผู้พัฒนาเอง ส่วนโมเดลเสียงมีตารางสี่คอลัมน์ครอบคลุม FLEURS, CoVoST2, ACL6060 และ RealSI-Sentence ซึ่งดำเนินการโดยผู้พัฒนาเองเช่นกัน บวกกับการทดสอบเปรียบเทียบกับมนุษย์โดยใช้ล่ามมืออาชีพหกคน ซึ่ง Tencent เองระบุว่าเป็นขนาดเล็กและจำกัดเฉพาะตัวอย่างที่ใช้ ทั้งสองยังไม่มีการตรวจสอบโดยอิสระ

จุดเดียวที่สองไลน์นี้บรรจบกันอย่างแท้จริงคือคุณภาพการแปลภาษาจีนและภาษาอังกฤษ 7B เป็นตัวแปลข้อความที่แข็งแกร่งกว่าในทุกมาตรวัดที่ Tencent เผยแพร่ รวมถึงความสามารถในการทำตามคำสั่ง ซึ่งคะแนน 83.14 บน IFMTBench ของมันสูงกว่าของ 1.8B อยู่สิบสี่คะแนน ข้อได้เปรียบของโมเดลเสียงไม่ใช่คุณภาพ แต่เป็นจังหวะเวลา: มันสร้างคำแปลที่ใช้งานได้ในขณะที่ประโยคยังพูดไม่จบ และสามารถถ่ายทอดเสียงของผู้พูดผ่านบริการ TTS ได้หากมีการกำหนดค่าไว้ หากเสียงของคุณถูกถอดเป็นข้อความแล้วและงบเวลาหน่วงของคุณวัดเป็นนาที 7B คือตัวแปลที่ดีกว่า หากงบเวลาหน่วงของคุณวัดเป็นวินาที 7B ก็ไม่อยู่ในข่ายพิจารณาไม่ว่าคะแนนจะสูงเพียงใด

การปรับใช้และค่าใช้จ่าย เทียบเคียงกัน

• พารามิเตอร์ — Hy-SimulMT-30B-A3B: รวม 30.4B, ใช้งานจริงประมาณ 3B, เป็น MoE แบบเบาบางพร้อมตัวเข้ารหัสเสียง; Tencent Hy-MT2-7B: แบบ dense 7B, เฉพาะข้อความ

• หน่วยความจำ — Hy-SimulMT: ~61 GB BF16 เผยแพร่บิลด์ FP8 แล้ว; Hy-MT2-7B: ~15 GB BF16, ~8 GB FP8, ไม่กี่ GB ใน GGUF

• บริบท — Hy-SimulMT: หน้าต่างเสียง 30 วินาที; Hy-MT2-7B: 8,192 โทเค็น

• ความหน่วง — Hy-SimulMT: ประมาณ 3 วินาทีสำหรับ StreamLAAL ตามข้อมูลที่ผู้จำหน่ายรายงาน; Hy-MT2-7B: ข้อความเข้า–ข้อความออก โดยมีความหน่วง ASR ของระบบแบบ cascade อยู่ด้านหน้า

• ภาษา — Hy-SimulMT: มีเอกสารระบุภาษาจีนและภาษาอังกฤษสำหรับการพูด; Hy-MT2-7B: 33 ภาษา พร้อมด้วยภาษาชนกลุ่มน้อยและภาษาถิ่นอีกห้าภาษา

• ราคา — Hy-SimulMT: ไม่มีการเผยแพร่; Hy-MT2-7B: 0.074 ดอลลาร์ต่อหนึ่งล้านโทเค็นอินพุต, 0.295 ดอลลาร์ต่อหนึ่งล้านโทเค็นเอาต์พุต

• สัญญาอนุญาต — ทั้ง Apache-2.0 และแบบไม่จำกัดการเข้าถึง ทั้งสามารถนำไปปรับแต่ง (fine-tune) และเผยแพร่ต่อได้

ทั้งสองโมเดลไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และเราไม่ได้โฮสต์ทั้งคู่ ความแตกต่างด้านราคายังคงเป็นเหตุผลที่ต้องให้ความสำคัญกับการจัดเส้นทางในบริบทนี้ Tencent ตั้งราคา API สำหรับการแปลภาษาของตนในระดับที่แข่งขันสูงและเปลี่ยนแปลงราคาเหล่านั้นอยู่เสมอ: เมื่อวันที่ 12 มิถุนายน 2026 บริษัทได้ลดราคา Hy-MT2-Pro เหลือ ¥0.5 ต่อล้านโทเค็นอินพุต และ ¥2 ต่อล้านโทเค็นเอาต์พุต ซึ่งเป็นการลดลง 66.7% สำหรับอินพุตและ 55.6% สำหรับเอาต์พุต OrcaRouter ส่งผ่านราคาตามรายการของผู้ให้บริการโดยคิดมาร์กอัป 0% ดังนั้นการลดราคาเช่นนั้นจึงมีผลฝั่งเราในวันเดียวกัน แทนที่จะต้องรอถึงการต่อสัญญาครั้งถัดไป และการสลับระบบสำรองอัตโนมัติหมายความว่าการที่ผู้ให้บริการรายหนึ่งล่มจะไม่ทำให้ไปป์ไลน์การแปลหยุดทำงาน สำหรับปริมาณงานที่ต้นทุนส่วนใหญ่ถูกกำหนดโดยอัตราต่อโทเค็น ความแตกต่างระหว่างมาร์กอัป 0% กับ 20% คือส่วนต่างกำไรทั้งหมด

ตัวไหนที่งบความหน่วงของคุณเลือก

เริ่มจากงบประมาณ ถ้าคำตอบคือ "วินาที" ราคาของ 7B ก็ไม่มีความหมาย — ระบบ cascade ไม่สามารถสร้างฟีดแบบพร้อมกันได้หากไม่มีตัวรู้จำแบบสตรีมมิ่งและนโยบายการแบ่งส่วนที่คุณต้องสร้างและปรับแต่ง และถึงอย่างนั้นมันก็จะตามหลังอยู่ดี Hy-SimulMT-30B-A3B เป็นเพียงหนึ่งในสองตัวนี้ที่สร้างมาสำหรับข้อจำกัดนั้น สัญญาอนุญาต Apache-2.0 หมายความว่าคุณทดสอบคำกล่าวอ้างกับเสียงของคุณเองได้ และค่าใช้จ่ายคือ GPU เป็นรายชั่วโมง ตั้งสมมติฐานเริ่มต้นที่งบ $2–$12 ต่อชั่วโมงการประชุม และตรวจสอบกับอัตราการใช้งานจริงของคุณ

ถ้าคำตอบคือ “นาที” โมเดล 7B ชนะในทุกแกนที่สำคัญ: ต้นทุน หน่วยความจำ ความครอบคลุมของภาษา ความสามารถในการทำตามคำสั่งที่มีเอกสารยืนยัน และการมีอยู่ของราคาที่คุณใส่ลงในสเปรดชีตได้ จ่ายให้ตัวรู้จำเสียง จ่ายครึ่งเซนต์สำหรับการแปล และใช้ส่วนต่างที่เหลือไปกับขั้นตอนการตรวจทาน งานแปลส่วนใหญ่ในบริษัทส่วนใหญ่ยังคงเป็นแบบที่สองนี้ ซึ่งเป็นเหตุผลว่าทำไมโมเดลเจ็ดพันล้านพารามิเตอร์ที่มีตารางราคาจึงมีแนวโน้มจะมีอายุยืนกว่าโมเดลสามหมื่นล้านพารามิเตอร์ซึ่งคุณสมบัติที่น่าสนใจที่สุดคือยังไม่มีตารางราคา