Hy-SimulMT-30B-A3B so với Tencent Hy-MT2-1.8B: Một phòng họp đối đầu với một chiếc điện thoại

Tencent hiện công bố hai mô hình dịch dùng chung giấy phép, một phòng thí nghiệm và gần như không chia sẻ gì khác. Tencent Hy-MT2-1.8B là thành viên nhỏ nhất của dòng mô hình văn bản Hy-MT2, được mã nguồn mở vào ngày 21 tháng 5 năm 2026, một mô hình dense 1,8 tỷ tham số, nén xuống còn 440 MB ở 1,25 bit và chạy ngoại tuyến trên chip điện thoại. Hy-SimulMT-30B-A3B là một dòng hoàn toàn mới, được công bố dưới dạng trọng số vào ngày 22 tháng 10 năm 2026: 30,4 tỷ tham số, khoảng 3 tỷ tham số hoạt động, được xây dựng để nghe giọng nói tiếng Trung hoặc tiếng Anh và dịch trong khi câu vẫn đang được nói. Một mô hình vừa trong túi áo và đã được tải xuống hơn 26.000 lần. Mô hình còn lại cần một bộ tăng tốc 80 GB, và bốn ngày sau khi phát hành, nó có 0 lượt tải xuống.

Cách lý giải tự nhiên về khoảng cách đó là mô hình lớn hơn thì tốt hơn và chưa ai nhận ra. Cách lý giải hữu ích hơn là chúng trả lời những câu hỏi khác nhau. Hy-MT2-1.8B trả lời "làm sao tôi dịch văn bản trên một thiết bị không có mạng?" Hy-SimulMT-30B-A3B trả lời "làm sao tôi dịch một cuộc trò chuyện mà không phải chờ người nói nói xong?" Tencent tung ra cả hai trong vòng năm tháng, điều đó cho thấy họ coi đó là những thị trường riêng biệt chứ không phải các điểm trên một đường cong kích thước.

Không phải là biến thể về kích cỡ: một cơ quan khác

Dễ cho rằng Hy-SimulMT-30B-A3B là phân khúc 30B của Hy-MT2, giống như cách bản 7B và bản 30B-A3B MoE nằm trên bản 1.8B. Không phải vậy. Hy-MT2 là một dòng chỉ dành cho văn bản với tokenizer dùng chung, định dạng chỉ dẫn dùng chung và bộ benchmark dùng chung có tên IFMTBench; ba kích cỡ của nó được huấn luyện để làm cùng một việc ở các mức chất lượng và chi phí khác nhau. Hy-SimulMT là một kiến trúc riêng với bộ mã hóa âm thanh được gắn vào xương sống mixture-of-experts: 24 lớp encoder có độ rộng 1,024 chiếu vào một mô hình rộng 2,048, 128 chuyên gia trong đó tám chuyên gia được định tuyến cộng với một chuyên gia dùng chung cho mỗi token, và đầu vào tối đa là ba mươi giây âm thanh 16 kHz mỗi cửa sổ.

Sự khác biệt đó quan trọng với bất kỳ ai đang lên kế hoạch chuyển đổi. Bạn không thể hoán đổi một lệnh gọi Hy-MT2-1.8B bằng một lệnh gọi Hy-SimulMT chỉ bằng cách thay đổi ID mô hình, vì một cái nhận văn bản còn cái kia nhận âm thanh, và đầu ra của mô hình giọng nói là bản dịch những gì nó đã nghe chứ không phải những gì bạn đã gõ. Điểm trùng lặp mang tính khái niệm — cả hai đều dịch tiếng Trung và tiếng Anh — chứ không mang tính vận hành.

Điều mà 1.8B thực sự giỏi

Câu chuyện của mô hình nhỏ được kể bằng ba con số. Con số đầu tiên là 440 MB, kích thước của bản lượng tử hóa 1.25-bit được tạo bằng công cụ AngelSlim của Tencent và là lý do mô hình chạy được trên chip điện thoại Apple, Qualcomm và MediaTek; Tencent tuyên bố mô hình nhanh hơn khoảng 1.5 lần so với thế hệ Hy-MT1.5 trước đó ở 4-bit trên A15. Con số thứ hai là 90.00 trên FLORES-200 từ tiếng Anh sang X, mà Tencent trình bày là khoảng 89.9% điểm của Gemini 3.1 Pro — một so sánh do nhà cung cấp đưa ra, chưa được tái lập, nhưng vẫn gây ấn tượng mạnh đối với một mô hình vừa vặn trên điện thoại cầm tay. Con số thứ ba là số lượt tải: hơn 26.000 trên kho chính và hơn một nghìn lượt thích, so với 3,132 lượt tải của mô hình chủ lực 30B-A3B. Mô hình nhỏ mới là mô hình người ta thực sự dùng.

Các giới hạn được ghi nhận của nó cũng rõ ràng không kém. Ngữ cảnh làm việc là 8.192 token với giới hạn đầu ra 4.096 token, dù cấu hình công bố 262.144 vị trí; hướng dẫn suy luận của chính Tencent mới là con số đáng tin cậy. Nó hỗ trợ 33 ngôn ngữ cùng với năm ngôn ngữ và phương ngữ thiểu số của Trung Quốc. Và kết quả được công bố yếu nhất của nó là khả năng tuân theo chỉ dẫn: 69,36% tổng thể trên IFMTBench, so với 85,7% của mẫu anh em 30B-A3B cùng dòng. Nếu công việc của bạn là dịch một câu sạch, 1.8B có tính cạnh tranh. Nếu công việc của bạn là tuân thủ bảng thuật ngữ, giữ nguyên cấu trúc JSON và khớp văn phong, thì đây là mô hình kém đáng tin cậy nhất trong chính dòng của nó, và khoảng cách không hề nhỏ.

30B mua được gì, và không mua được gì

Điểm đáng mua của Hy-SimulMT-30B-A3B là độ trễ trong bối cảnh hội thoại. Tencent báo cáo khoảng ba giây StreamLAAL trên âm thanh RealSI dạng dài, được mô tả là thấp nhất trong số các hệ thống được so sánh, và 84,7 trên RealSI-Sentence, cao nhất trong bảng của họ. Đây là các chỉ số dịch giọng nói từ đánh giá của chính nhà cung cấp, không có tái lập độc lập. Mô hình cũng hỗ trợ nhân bản giọng nói theo thời gian thực, nên giọng nói đã dịch có thể giữ được các đặc điểm giọng của người nói — nhưng chỉ khi bạn kết nối dịch vụ TTS, thứ mà bộ công cụ triển khai yêu cầu bạn cấu hình. Bản thân các trọng số không tổng hợp âm thanh.

Điều mà nó không mang lại là độ phủ ngôn ngữ. Thẻ mô hình ghi nhận khả năng dịch giọng nói hai chiều giữa tiếng Trung và tiếng Anh. Kho lưu trữ gắn thẻ 36 ngôn ngữ, điều nhiều khả năng phản ánh phần xương sống văn bản hơn là nhánh xử lý giọng nói, nhưng Tencent không giải thích sự chênh lệch này. Một nhóm cần dịch giọng nói từ tiếng Nhật sang tiếng Anh không có quy trình nào được tài liệu hóa với mô hình này, trong khi mô hình 1.8B hiện xử lý tiếng Nhật dưới dạng văn bản. Mô hình lớn không phải là tập cha của mô hình nhỏ; nó là một chuyên gia với phạm vi hẹp hơn và mức độ chuyên sâu hơn nhiều.

440 MB thực sự nằm ở đâu

Điều thú vị ở mô hình 1.8B không phải là điểm chuẩn mà là phạm vi triển khai của nó. Một mô hình chạy ngoại tuyến trên điện thoại thay đổi những gì một sản phẩm dịch thuật có thể cam kết: không cần vòng gửi-nhận, không có hóa đơn theo từng token, dữ liệu không rời khỏi thiết bị, không phụ thuộc vào kết nối mạng trong một phòng hội nghị dưới tầng hầm hay trên máy bay. Tencent đưa nó vào ứng dụng Hy Translate, ứng dụng ra mắt trên các cửa hàng ứng dụng Trung Quốc vào ngày 24 tháng 9 năm 2026 và cung cấp các mô hình ngoại tuyến có thể tải xuống cùng với các chế độ văn bản, ảnh, giọng nói và hội thoại theo lượt. Ứng dụng bao phủ 12 quốc gia và vùng lãnh thổ, hỗ trợ 33 ngôn ngữ cùng năm ngôn ngữ thiểu số và phương ngữ.

Ứng dụng đó cũng là bằng chứng rõ ràng nhất về vị trí phù hợp của Hy-SimulMT. Vào tháng 9, chế độ hội thoại vẫn theo kiểu lần lượt — hai người thay phiên nói và đọc bản dịch. Một mô hình đồng thời chính là thứ biến nó thành một phiên dịch viên bạn có thể đeo. Thông tin giới thiệu của Tencent cho biết Hy-SimulMT có thể được dùng thử trong ứng dụng Hy Translate, và thời điểm phát hành trọng số, một ngày trước khi Tencent công bố quan hệ đối tác APEC 2026, cho thấy buổi trình diễn dự kiến là một sự kiện trực tiếp chứ không phải API dành cho nhà phát triển. Đó là suy luận từ các ngày công khai, không phải một kế hoạch được nêu rõ.

Chi phí và triển khai, từng điểm một.

• Thông số — Hy-SimulMT-30B-A3B: tổng 30,4B, khoảng 3B hoạt động, MoE thưa cùng bộ mã hóa âm thanh; Hy-MT2-1.8B: 1,8B dense, chỉ văn bản.

• Dung lượng chiếm dụng — Hy-SimulMT: ~61 GB ở BF16 trước KV cache, các bản dựng FP8 đã được phát hành; Hy-MT2-1.8B: 440 MB ở 1,25-bit, với các bản dựng FP8 và GGUF cũng có sẵn.

• Phần cứng — Hy-SimulMT: thực tế là một bộ tăng tốc 80 GB; Hy-MT2-1.8B: một điện thoại, CPU laptop hoặc một GPU nhỏ.

• Ngữ cảnh — Hy-SimulMT: cửa sổ âm thanh ba mươi giây; Hy-MT2-1.8B: 8.192 token đầu vào, 4.096 token đầu ra.

• Ngôn ngữ — Hy-SimulMT: tiếng Trung và tiếng Anh được ghi nhận tài liệu cho giọng nói; Hy-MT2-1.8B: 33 ngôn ngữ cùng năm ngôn ngữ thiểu số và phương ngữ.

• Giá — Hy-SimulMT: không có API hosted hay mức giá công bố; Hy-MT2-1.8B: khoảng $0,044 mỗi triệu token đầu vào và $0,177 mỗi triệu token đầu ra trên API hosted của Tencent kể từ tháng 8 năm 2026.

• Giấy phép — cả hai đều là Apache-2.0, cả hai đều không bị hạn chế, cả hai đều có thể tinh chỉnh và phân phối lại.

Cả hai mô hình đều không có trong danh mục của OrcaRouter và chúng tôi không tự vận hành mô hình nào trong hai mô hình đó. Câu hỏi định tuyến mà họ nêu ra khác với câu hỏi thông thường: nếu mô hình 1.8B chạy trên thiết bị và mô hình 30B chạy trên GPU của bạn, thì những lệnh gọi cần bộ định tuyến là những lệnh gọi xung quanh chúng — việc nạp tài liệu, dọn dẹp bản ghi, trình tóm tắt biến một cuộc họp đã dịch thành biên bản. Đó là những lệnh gọi mô hình đám mây thông thường, và đặt chúng phía sau một API cho hơn 200 mô hình với mức tăng giá 0% so với giá niêm yết của nhà cung cấp giúp giảm số lượng nhà cung cấp trong khi giai đoạn dịch vẫn được tự vận hành. Cơ chế chuyển đổi dự phòng lại quan trọng nhất đúng vào lúc mô hình đảm nhận công việc quan trọng là mô hình mà bạn không thể thay thế nhanh chóng.

Hai sản phẩm, không phải hai bậc

Nếu bạn cần dịch trên một thiết bị, ngoại tuyến, với chi phí cận biên bằng không và nội dung của bạn là văn bản, thì Tencent Hy-MT2-1.8B là mô hình dành cho bạn — nó nhỏ, có giấy phép thoáng, được triển khai rộng rãi và trung thực về điểm yếu tuân thủ chỉ dẫn của mình. Nếu bạn cần dịch một cuộc trò chuyện trực tiếp giữa tiếng Trung và tiếng Anh và chấp nhận được độ trễ ba giây, thì Hy-SimulMT-30B-A3B là mô hình Tencent duy nhất làm được điều đó, và việc nó lớn hơn ba mươi lần chính là cái giá của bộ mã hóa âm thanh và ngân sách độ trễ, chứ không phải một bản nâng cấp chất lượng mà bạn có thể tận dụng ở nơi khác.

Cái bẫy là giả định rằng bản phát hành mới hơn, lớn hơn sẽ thay thế bản cũ hơn, nhỏ hơn. Không phải vậy. Một trong những mô hình này có 26.000 lượt tải xuống vì nó giải quyết một vấn đề mà hàng triệu người gặp phải; mô hình kia có con số không vì nó giải quyết một vấn đề mà, cho đến nay, chủ yếu thuộc về ứng dụng của chính Tencent và những tình nguyện viên APEC sẽ sử dụng nó ở Thâm Quyến vào tháng 11 này.