5月21日，腾讯混元翻译模型Hy-MT2正式开源，包含3个尺寸的模型Hy-MT2-1.8B、Hy-MT2-7B、Hy-MT2-30B-A3B。沐曦股份曦云C系列GPU凭借全栈自研技术优势，率先实现对三个模型的Day 0深度适配。

此次腾讯混元宣布开源的三个模型均重点支持33个语种互译，支持5种民汉/方言。相比上一代翻译模型Hy-MT1.5，Hy-MT2 效果提升明显，尤其在多语言指令遵循、专业领域翻译和真实应用场景翻译中表现较好，追平甚至超过大尺寸通用模型。

全场景模型适配，低成本迁移部署

沐曦股份自研MXMACA软件栈拥有对主流编程生态的底层高度兼容能力。原生兼容PyTorch、TensorFlow等40+主流AI框架，支持500+AI模型与4500+开源项目，覆盖95%主流AI场景，开发者可实现“零代码”或极低改造成本迁移，大幅降低部署门槛。依托MXMACA软件栈与曦云C系列GPU的深度协同，沐曦平台在混元Hy-MT2系列开源当日即完成全功能适配，满足不同算力需求的灵活部署。

软硬一体，充分释放模型潜力

曦云C系列GPU凭借自主核心GPU IP与MXMACA软件栈深度优化，充分释放模型潜力。Hy-MT2-1.8B仅单卡即可高效运行，实现极低延迟的翻译推理；Hy-MT2-7B与Hy-MT2-30B-A3B依托曦云C系列大显存与高带宽，稳定支撑高并发推理与大规模训练任务。

生态共建，持续领跑模型适配

2025年2月，MXMACA软件栈正式开源，至今已积累近50万的生态开发者用户。为混元Hy-MT2系列等国产大模型提供持续迭代优化的生态支撑。目前，沐曦股份已经极速适配业内顶尖模型达24个，全面覆盖DeepSeek、小米、阿里千问、百度等头部厂商最新旗舰模型，品类涵盖语言、多模态、OCR、文生图、3D 生成等全领域。

关于腾讯混元翻译模型Hy-MT2

通用翻译能力出众，重点优化专业领域和真实业务场景

在通用翻译能力评测中，Hy-MT2系列三个模型在 FLORES-200 平均表现上分别达到目前行业表现最好的翻译模型 （Gemini 3.1 Pro ）的 88.1%、 96.9%,和 98.1%水平，已经十分接近。同时，Hy-MT2-7B和 Hy-MT2-30B-A3B 的实测得分超过 DeepSeek-V4-Pro和Kimi K2.6等开源模型。在轻量级模型的横向对比中，Hy-MT2-1.8B 也整体优于头部商业翻译 API。

在保持通用翻译能力的同时，Hy-MT2进一步面向真实业务场景和专业领域翻译进行优化。可以看到，在真实场景测试集上，Hy-MT2-1.8B 和 Hy-MT2-7B 的 GEMBA 评分（基于大语言模型的翻译质量自动评估指标）分别达到 Gemini 3.1 Pro 的 96.7% 和 99.9%水平，并且这一场景下Hy-MT2-30B-A3B 效果已经超过 Gemini 3.1 Pro。

在涵盖 8 个专业领域的 DomainMTBench 上，三个模型的 GEMBA 评分分别达到 Gemini 3.1 Pro 的 96.2%、97.9% 和 99.0%水平，几乎持平。另外可以看到，Hy-MT2-30B-A3B在金融、政治、教育几个垂直领域的翻译表现已经部分超过主流翻译模型。

相比上一版本模型，Hy-MT2的最大提升体现在指令遵循能力上，模型能够更准确地理解并执行用户关于术语、风格和输出格式等方面的具体要求。腾讯混元自建数据集IFMTBench测试结果表明，Hy-MT2-7B和 Hy-MT2-30B-A3B的翻译效果已经超越等相近尺寸开源模型，接近 Gemini 3.1 Pro。

IFMTBench也随着模型发布一并开源，这是一个翻译指令遵循测试集，测试集中的指令主要是和翻译任务相关，例如翻译风格变换、指定术语翻译等，指令和待翻译的文本涵盖了多个语种。

架构创新和极致量化：极低比特量化版本仅需约 440MB 即可部署

跟此前模型不一样的是，为在翻译效果和推理效率之间取得更好的平衡，Hy-MT2首次引入混合专家架构，推出 Hy-MT2-30B-A3B，通过扩大总参数规模提升模型容量，同时控制每次推理时的激活参数量，在增强翻译质量的同时降低推理开销，相比单纯扩大稠密模型规模，这种设计更适合面向真实应用场景的高质量翻译系统。

此外，上一版本的模型Hy-MT1.5-1.8B虽已提供 4-bit量化版本，但该版本仍需要 1GB 以上的存储空间，在移动端、边缘设备和其他资源受限环境中存在一定部署压力，并且其推理速度也难以充分满足部分低延迟翻译场景的需求。

针对这些问题，Hy-MT2进一步探索极低比特量化方案。除4-bit、8-bit 和 FP16 版本外，Hy-MT2还基于混元自研技术提供了 1.25-bit和2-bit版本，以适配不同硬件环境下的部署需求。特别地，基于混元自研Sherry 框架实现的1.25-bit 极低比特量化版本仅需约 440MB 存储空间即可部署。

模型体验链接及开源地址：

HuggingFace：https://huggingface.co/collections/tencent/hy-mt2

Modelscope：https://modelscope.cn/collections/Tencent-Hunyuan/Hy-MT2

Github：https://github.com/Tencent-Hunyuan/Hy-MT2

腾讯云：https://console.cloud.tencent.com/tokenhub/text

腾讯混元官网：https://aistudio.tencent.com/llm/zh?tabIndex=0

沐曦开发者社区：developer.metax-tech.com