腾讯 Hy-MT2-7B 对比 Hy-MT2-30B-A3B：同价位下的稠密甜点还是 MoE 旗舰？

这场对决的核心惊喜在于：腾讯 Hy-MT2-7B（一个稠密的 7B 模型）和腾讯 Hy-MT2-30B-A3B（混合专家旗舰模型，总参数 300 亿，活跃参数约 30 亿）本周均通过托管 API 开放调用——7B 大约在 2026 年 8 月 19 日，30B-A3B 晚一天，两者都由腾讯云提供服务——而且价格完全相同：每百万输入 token 0.074 美元，每百万输出 token 0.295 美元。该系列模型于 2026 年 5 月 21 日一起开源，因此两个模型都不算新；真正让这次对比显得蹊跷的是完全相同的 API 价格。通常，更大的模型会更贵，你需要权衡溢价与收益。而在这里，旗舰模型每 token 没有任何额外费用，决策就归结为一个问题：7B 作为稠密小模型，究竟会损失什么（如果有的话）？

同价惊喜

30B-A3B的价格平价体现了MoE模式的价值：其架构存储了30B的知识，但每个token仅激活约3B参数，因此腾讯云可以按与7B相同的每token费率提供服务——相同的$0.074/$0.295定价，相同的8,192 token上下文，相同的结构化输出支持，同样不支持函数调用。在API上，"专业"模型并不更贵。代价转移到了别处——内存占用、服务复杂性和延迟。在这些方面，7B更密集、更简单的设计具有结构性优势，这是按token计价无法体现的。

规格，并排对比

• 架构 — 稠密约7B vs MoE总计30B/约3B激活。

• API 价格 — 每 1M tokens 的价格：$0.074 / $0.295 对比 $0.074 / $0.295（相同）。

• 上下文——两者均为 8,192 个标记。

• 定位——均衡甜点 vs 专业级旗舰。

• FLORES-200——7B：86.89 XCOMET-XXL，约为 Gemini 3.1 Pro (Think) 的 97.9%；30B-A3B：该系列最佳通用翻译得分（数据由厂商报告）。

• Deep​Seek / K​imi 对比 — 两者在快速思考模式下均击败 DeepSeek-V4-Pro 和 Kimi K2.6，据厂商报告。

• 资源占用——单块 A100 / RTX 4090 对比 30B 级权重（磁盘上为 18GB 级量化版本，显存占用更高）。

• 推理默认设置——temp 0.7、top_p 0.6、top_k 20 对比 temp 0.7、top_p 1.0、top_k -1。

30B-A3B 真正胜出的地方

Tencent将30B-A3B定位为该系列中的专业级成员，其发布的证据也印证了这一标签适用于特定类型的文本。在领域密集型材料上——法律条款、医学文本、技术文档——它在DomainMTBench上的GEMBA成绩为系列中最强，据报约为Gemini 2.5 Pro基线的99%，通用翻译得分在系列自身的FLORES曲线上也超过7B。那沉睡的额外27B知识，正是当句子承载密集术语而非普通文本时才会展现的能力：合同中“赔偿条款在终止后继续有效”这样的表述对7B模型来说并不费力，但一份带术语表的完整并购文件则会。对于中文到少数民族语言（藏语、维吾尔语、蒙古语）的翻译对，30B-A3B也是最稳妥的选择，Tencent在这些方向上报告了最佳成绩。

7B 依然能胜出的地方

7B 的优势在于实际部署层面，而且这些优势是真实存在的。首先，自托管：7B 可以运行在单张 A100 或 RTX 4090 上，并且拥有最广泛的框架支持——Transformers、vLLM、SGLang 以及通过 GGUF 使用的 llama.cpp 都经过了充分验证。而 30B-A3B 即使经过量化，也需要数据中心级别的显存，并且很少有人将其投入生产级服务栈中进行验证。其次，延迟和服务简洁性：稠密架构的 7B 更容易保持热状态，其推荐的采样参数也更接近标准解码流程。第三，在 API 方面，相同的定价意味着 7B 每个 token 的成本与旗舰模型完全相同——因此选择更小模型的唯一理由是，对于干净的通用文本，质量差距过于细微而难以察觉。在 FLORES-200 基准上，7B 已经达到 Gemini 3.1 Pro (Think) 约 97.9% 的水平；旗舰模型多出的分数位于一条曲线的顶端，而曲线上的每一分在实际使用中都更难被感知。

差距，如实衡量

最后两节中的所有内容都是腾讯自己的评估，坦诚地说，这意味着在普通翻译任务上，两个模型已经足够接近，最终起决定作用的是你的语料库。在一般干净文本上，7B版本约为Gemini 97.9%的得分表明，旗舰版的优势仅以微小的XCOMET分数差来衡量——这种差距在排行榜上真实存在，但在客服工单中却难以感知。在密集领域文本和小语种语言对上，旗舰版所报告的GEMBA和FLORES领先优势，恰恰是专业翻译（无论是人类译员还是模型）真正体现价值的地方，也是重译成本最高的地方。截至撰写本文时，这两个模型均无独立的基准测试结果；两家厂商的模型卡唯一一致的观点是：在该系列的快速思考模式下，每个尺寸都优于DeepSeek-V4-Pro和Kimi K2.6。

引导家庭

截至目前，这两个模型都不在OrcaRouter的目录中，因此两者均通过Tencent自有云和若干第三方平台提供服务。路由层面的经验教训依然具有实际意义。由于API价格完全相同，这是一个工作负载路由的教科书式案例，而非单一选择：将高容量的通用翻译负载交给7B，将信息密集、领域性强的负载交给30B-A3B，并配置自动故障转移，使MoE端点的延迟尖峰永远不会阻塞流水线。这正是OrcaRouter的路由DSL在我们实际收录的200多个模型中所编排的模式——成本加权调度、提供商标价以0%加价直通——而且它对这个系列的适配度高于大多数其他场景，因为供应商对这两个档次的定价使得拆分在经济上保持中性。

裁决

在相同API价格下，默认答案是7B：每token成本相同，自托管更简单，且在通用文本上几乎不分伯仲。当语料库专业密集度较高时——法律、医疗、技术或小语种翻译——选择30B-A3B，此时旗舰版所报告的领域优势值得更大的部署规模和更高的延迟。如果你的工作负载是两者的混合，不要二选一：将通用部分路由到7B，将困难部分路由到旗舰版。这不是两者之间的妥协；这是在腾讯设定的价格下同时获得两者的唯一方式。