腾讯 Hy-MT2-7B 对比 Hy-MT2-1.8B：服务端的高质量之选，还是每部手机上的440MB翻译器

腾讯 Hy-MT2-7B 和腾讯 Hy-MT2-1.8B 是同一系列的两端，于 2026 年 5 月 21 日一同开源，并都在本周通过托管 API 开放调用——7B 约在 8 月 19 日，1.8B 晚一天，均由腾讯云提供。它们在通常意义上并非竞争对手，因为它们的用途几乎没有重叠。7B 是质量之选：这是一个稠密模型，可在单张 GPU 上运行，也可通过 API 调用，价格为输入每百万 token 0.074 美元、输出每百万 token 0.295 美元。1.8B 是设备端之选：这是一个量化至 440MB 的模型，可在手机上完全离线运行，API 层的价格为每百万 token 输入 0.044 美元、输出 0.177 美元。如果你要在两者之间做选择，答案主要取决于翻译需要在何处进行——其次才是基准测试，而基准测试的差距远没有四倍参数差距所暗示的那么大。

一句话的回答

{{1}}当翻译发生在数据中心、并且你希望在每美元服务器成本上获得最佳质量时，请选择 7B——无论是在 API 上还是单块 A100 级 GPU 上。{{/1}}{{2}}当翻译必须在设备上、离线或以尽可能低的每 token 成本进行时，请选择 1.8B。{{/2}}{{3}}如果两者位于同一个云环境中，且预算不是决定性因素，那么 7B 在质量上胜出。{{/3}}{{4}}如果内容属于机密、受监管，或需要在无网络环境下工作，那么两者中只有 1.8B 能做到。{{/4}}

规格，并排对比

• 参数 — 7B dense vs 1.8B dense.

• 量化体积 — FP8 和 GGUF 可降至数 GB，而通过 AngelSlim 1.25-bit 量化则仅需 440MB。

• FLORES-200 (XX⇔XX)—— 86.89 对比 79.77 XCOMET-XXL，约为 Gemini 3.1 Pro (Think) 的 97.9% 对比 89.9%，厂商报告数据。

• WMT25——7B：63.86/71.21/82.24；1.8B在全部三项指标上均超越Microsoft和Doubao的商业API。

• DomainMTBench (GEMBA) — 92.79 对比 91.08，供应商报告数据。

• API 价格 — 每 1M tokens（输入/输出）$0.074 / $0.295，对比 $0.044 / $0.177。

• 上下文——两者均为 8,192 个标记。

• 部署 — 一台 A100 / RTX 4090 或云 API，对比 Apple、Qualcomm 和 MediaTek 的端侧芯片，离线运行。

质量差距是真实存在的，但比尺寸差距要小。

以下全部为腾讯自身的评估，并未经第三方复现。在FLORES-200上，7B模型的XCOMET评分领先1.8B模型8分（86.89对79.77），这正是“均衡型”与“端侧型”定位差异所依据的差距。但在涵盖金融、政治、教育等领域的领域翻译基准DomainMTBench上，1.8B模型与7B模型仅差1.7个GEMBA点（91.08对92.79）。而1.8B模型面对更广阔世界时的表现，则是那个持续令人惊讶的细节：腾讯报告称，它在WMT25的全部三项指标上均击败了微软和Doubao的商业翻译API，并且优于体积为其40倍的Tower-Plus-72B模型。因此，在普通领域文本上，小模型与大哥模型的接近程度，远比其参数差距所暗示的要接近得多。7B模型的真正优势体现在通用翻译的尾部场景和复杂指令上，在这些方面，其FLORES领先优势以及更高的IFMTBench复杂任务评分，让两者之间拉开了明显差距。

部署分支

7B模型需要基础设施——要么云端API，要么单块A100级GPU，外加常规运维。1.8B模型借助AngelSlim的{{1}}1.25位量化{{/1}}，体积仅440MB，能在普通手机应用所用的同款芯片上运行，速度是上一代Hy-MT1.5的1.5倍，而且完全不需要网络。这把隐私从一项功能变成了默认状态：对于合同、医疗记录或任何受监管的数据，数据永远不会离开设备——这是服务端按token计费无论如何都买不来的特性。这种取舍既体现在FLORES风格的通用翻译任务上——{{2}}7B的{{/2}}额外容量在那里展现——也体现在任何复杂度足以让1.8B的{{3}}83.14 IFMTBench总分{{/3}}去逼近7B更高天花板的指令上。

成本计算

在API层，两种模型都很便宜；1.8B更便宜。按每百万token $0.044 / $0.177 对比 $0.074 / $0.295，小模型在账单两端都比7B低约40%——按每天稳定输出一百万个token计算，大约每天$70对$118。在设备端，1.8B每token成本为零，而这个数字在大规模场景下压倒任何服务器对比。7B的反驳点不在价格而在余量：如果你的语料偏向技术、法律或指令密集型，7B的质量余量正好会体现为更少的重译——而重译才是专业机器翻译中真正的单位成本。

路由两种尺寸

截至撰写本文时，这两个模型都不在 OrcaRouter 的目录中，因此诚实的说法是：两者均通过腾讯自己的云和多个第三方平台提供服务。这场对比仍然印证了本博客的核心路由理念：当两个模型能力重叠但在价格和延迟上存在差异时，理性的部署方式不是“二选一”，而是“按工作负载路由”——将高并发、低难度的任务分给廉价的小模型，将困难任务分给高质量模型，并启用自动故障转移，这样任一模型的中断都不会阻塞流水线。这正是 OrcaRouter 的路由 DSL 在我们所支持的 200 多个模型上编排的模式，各提供商的标价以 0% 加价直接传递。如果腾讯的翻译系列加入目录，它将是自然而然的下一批入驻者。

裁决

如果翻译在你的数据中心进行，选用腾讯 Hy-MT2-7B——想要零运维就走 API，想要完全掌控就用单块 GPU——然后就不用再往下读了。如果翻译必须在设备上、离线或保密要求下进行，选用腾讯 Hy-MT2-1.8B，440MB 的体积理所当然地胜出。唯一真正棘手的情况是中等规模的云端工作负载，此时 7B 的质量和 1.8B 的价格都站得住脚。这时候，不要根据厂商基准来做决定：报告的 GEMBA 差距不到两个点，所以请用你自己的领域文本来运行两者，让你的数据来挑选。