Tencent Hy-MT2-7B 對決 Tencent Hy-MT2-30B-A3B：同價位下的密集模型甜蜜點，還是 MoE 旗艦？

這場對決的核心驚喜在於：騰訊Hy-MT2-7B，一款密集的7B模型，以及騰訊Hy-MT2-30B-A3B，這款混合專家旗艦模型，總參數量達300億，活躍參數約30億，兩者都在本週透過託管API開放呼叫——7B版約在2026年8月19日上線，30B-A3B版晚一天，兩者均由騰訊雲提供服務——而且價格完全相同：每百萬輸入tokens 0.074美元，每百萬輸出tokens 0.295美元。這個系列於2026年5月21日一同開源，因此兩款模型都不算新；真正讓這次比較顯得奇特的是相同的API價格。通常較大的模型收費較高，你得衡量溢價與效益。在這裡，旗艦版每tokens沒有額外成本，決策於是濃縮成單一問題：這款7B模型因為採用密集且規模較小，究竟放棄了什麼（如果有的話）？

同價驚喜

{{1}}30B-A3B 的價格持平，正是 MoE 性價比優勢發揮作用的表現。{{/1}} {{2}}其架構儲存了 300 億參數的知識，但每個 token 只啟動約 30 億參數，{{/2}} {{3}}因此騰訊雲能以與 7B 相同的每 token 費率來提供服務{{/3}} — {{4}}相同的 $0.074 / $0.295 價格、相同的 8,192 token 上下文、相同的結構化輸出支援，以及同樣不支援函式呼叫的限制。{{/4}} {{5}}在 API 端，「professional」模型並不會更貴。{{/5}} {{6}}代價則轉移到別處：記憶體佔用、服務複雜度與延遲，{{/6}} {{7}}在這些方面，7B 更密集、更簡單的設計擁有結構性優勢，這是每 token 價格無法體現的。{{/7}}

規格，並排比較

• 架構 — 密集式 ~7B 對比 MoE 總計 30B / 活躍 ~3B。

• API 價格 — $0.074 / $0.295 對比 $0.074 / $0.295 每 1M tokens（相同）。

• 上下文 — 兩者均為 8,192 個 token。

• 定位 — 均衡的甜蜜點 vs 專業級旗艦。

• FLORES-200 — 7B：86.89 XCOMET-XXL，約為 Gemini 3.1 Pro (Think) 的 97.9%；30B-A3B：該系列最佳的一般翻譯分數（數據由廠商提供）。

• Deep​Seek / K​imi 比較 — 兩者在快速思考模式下均勝過 DeepSeek-V4-Pro 與 Kimi K2.6，據廠商報告。

• 資源佔用 — 單張 A100 / RTX 4090，而非 30B 規模的權重（磁碟上約 18GB 級別的量化建置，VRAM 中佔用更多）。

• 推論預設值 — temp 0.7、top_p 0.6、top_k 20 對比 temp 0.7、top_p 1.0、top_k -1。

30B-A3B 實際勝出的地方

騰訊將 30B-A3B 定位為該系列的專業級成員，而其公布的數據也支持這個定位——但僅針對特定類型的文本。在專業領域密集的素材上——法律條款、醫學文本、技術文件——它在 DomainMTBench 上的 GEMBA 成績是系列中最強的，據報導約為 Gemini 2.5 Pro 基準的 99%，而其在自家 FLORES 曲線上的通用翻譯分數也優於 7B 版本。那休眠的 27B 額外知識容量，正是句子承載密集術語而非一般散文時會展現出來的能力：合約中的「indemnification shall survive termination」（賠償義務於終止後仍持續有效）對 7B 模型而言不算什麼負擔，但一份附有術語表的完整併購文件就完全是另一回事了。此外，30B-A3B 也是中文到少數民族語言（藏語、維吾爾語、蒙古語）配對中最穩妥的選擇，騰訊在這些語言對上公布了最佳成績。

無論如何，7B 勝出的地方

7B 的優勢在於營運層面，而且這些優勢是真實的。首先，自行託管：7B 可裝載於單張 A100 或 RTX 4090 上，框架涵蓋範圍最廣——Transformers、vLLM、SGLang，以及透過 GGUF 使用的 llama.cpp 都已實際運行過。30B-A3B 即使經過量化，仍需要資料中心等級的 VRAM，而且較少人曾將其投入生產環境的服務堆疊中測試。其次，延遲與服務簡易性：稠密的 7B 更容易保持熱機狀態，其建議的取樣方式也更接近標準解碼。第三，在 API 上，相同的價格意味著 7B 每個 token 的成本與旗艦版完全相同——所以選擇較小模型的唯一理由，就是對於乾淨的一般文字而言，品質差距太細微，難以察覺。7B 在 FLORES-200 上已經大約達到 Gemini 3.1 Pro (Think) 的 97.9%；旗艦版的額外分數位於一條曲線的頂端，而在這條曲線上，每一分的提升在實際中都更難看出差異。

誠實衡量的差距

最後兩節的所有內容都是騰訊自家的評估，誠實的解讀方式是：這兩款模型在一般翻譯上表現已足夠接近，最終由你的語料庫來決定勝負。在一般乾淨文本上，7B 模型約達 Gemini 的 97.9%，意味著旗艦版的領先幅度僅以微小的 XCOMET 分數差距來衡量——在排行榜上確有其事，但在客服案件裡卻難以察覺。在密集的專業領域文本與少數語言組合上，旗艦版公布的 GEMBA 與 FLORES 領先優勢，正是專業譯者（無論人類或模型）展現價值的所在，也是重譯成本最昂貴之處。截至撰寫本文時，兩款模型皆無獨立的第三方基準評測；兩家廠商規格表唯一共同的說法是：每個尺寸在自家快速思考模式下皆勝過 DeepSeek-V4-Pro 與 Kimi K2.6。

引導家庭

截至撰寫本文時，這兩個模型皆未列入 OrcaRouter 的目錄，因此兩者均透過騰訊自家雲端及數個第三方平台提供服務。路由的啟示仍然具有實際意義。由於 API 價格相同，這是工作負載路由而非單純擇一的教科書級案例：將高流量的通用翻譯部分送往 7B，將密集且高度專業領域的部分送往 30B-A3B，並配備自動故障轉移，使 MoE 端點的延遲飆升永遠不會讓管線停滯。這就是 OrcaRouter 的路由 DSL 在我們所收錄的 200 多個模型之間組合出的模式——成本加權派發、供應商目錄價格以 0% 加價直接轉嫁——而它對這一系列模型的契合度更勝於其他大多數模型，因為供應商已為兩個等級定價，使分流在經濟上保持中立。

裁決

在 API 價格相同的情況下，預設答案就是 7B：每個 token 的成本相同、自行託管更簡單，而且在一般文本上幾乎不分軒輊。當語料屬於專業密集的內容——法律、醫療、技術或少數民族語言翻譯——才選用 30B-A3B；在這些情境下，旗艦版所宣稱的領域優勢，值得你付出更大的資源佔用與延遲代價。如果你的工作負載兩者混合，請不要二選一：把一般部分分流至 7B，把困難部分分流至旗艦版。這不是兩者之間的折衷；而是在騰訊所定的價格下，同時擁有兩者的唯一方法。