Hy-MT2-30B-A3B

1. 专业领域翻译

30B-A3B 对金融、法律、政治、教育等 8 个专业领域做了优化。

DomainMTBench 中，它的金融领域 XCOMET 得分是 97.08，法律领域是 89.15。

专业翻译真正让人头疼的，往往不是某句话完全翻错。

更常见的是另一种情况：一份十几页的技术文档，前五页把某个术语翻成 A，翻到后面突然变成 B；或者法律长句每个词都认识，组合起来却把原来的逻辑层级拆散了。

这种问题看单句很难发现，放进完整文档里就很扎眼。

所以专业翻译里，我会更看重术语稳定性和长文本的一致性。30B-A3B 的优势也更适合放在这个维度上看。

2. 指令遵循

Hy-MT2 这一代比 Hy-MT1.5 更“听指令”。

可以直接告诉它：

“翻译结果简洁精炼，每句不超过 15 个字。”

也可以提前放入术语表，规定某个词只能使用指定译法。

真正做项目时，要求通常不会只有一条。

格式别动，标点保留，字段名不能翻，产品名固定，语气统一，有些内容还要控制长度。

一条一条看都不复杂，叠在一起之后，很多模型就开始漏。

Hy-MT2 专门加强了这部分。腾讯也做了 IFMTBench 来测试复杂翻译指令，30B-A3B 的得分是 84.69。

这类数据我反而比单纯的“译文更流畅”更愿意看，因为它直接关系到模型能不能进正式工作流。

3. 真实业务场景表现

30B-A3B 在 WildMTBench 上的 GEMBA 得分是 89.87，高于 Gemini 3.1 Pro。

WildMTBench 更接近真实翻译环境，文本不像标准 benchmark 那么干净规整。

这一项挺容易被忽略，但我觉得很有参考价值。

真正拿到手里的资料，很少长得像考试题。技术文档会混着缩写、表格字段和半截英文，商业材料里有行业黑话，合同又是一长串嵌套句。

这种东西才最考验翻译模型。

标准测试跑得漂亮是一回事，放进这种杂乱文本里还能稳住，是另一回事。30B-A3B 在 WildMTBench 上的成绩，至少说明它不是只擅长做 benchmark。

4. 相比 Hy-MT1.5 的进化

从 Hy-MT1.5 到 Hy-MT2，最容易感知的还是指令遵循。

前代碰到多个要求同时出现，更容易顾此失彼。Hy-MT2 对术语、格式、长度和风格这些限制处理得更稳。

少数民族语言翻译也有提升。

在中国大陆少数民族语言相关测试中，包括藏语、维吾尔语和蒙古语，30B-A3B 的 XCOMET 得分达到 62.44，高于 Gemini 3.1 Pro。

Hy-MT2 这一代还把低比特量化做得很激进。

这项能力和 30B-A3B 的直接关系没那么大，它本身还是更适合服务器和云端。但同系列的 1.8B 已经能压到约 440MB，在手机端本地跑翻译。

一个系列里，大模型往专业能力走，小模型往端侧走，产品路线其实划得挺清楚。

30B-A3B 最吸引我的地方，不是“30B”这个数字，也不是某一项 benchmark 超了谁。

专业文本能翻，复杂要求能跟，MoE 又把实际激活参数控制在约 30 亿，这些组合起来本来就已经够实用了。腾讯又把它的 API 单价压到了和 7B 一样，这才是最让我意外的地方。

如果公司每天都要处理合同、金融资料、技术文档或者跨境内容，我会更倾向直接看 30B-A3B。需要藏语、维吾尔语、蒙古语等语言的团队，也有理由优先测试这一版。API 单价没有比 7B 贵，多出来的模型能力很难说没有价值。

它也有很明显的短板。8,192 token 的上下文处理真正的长文档并不宽裕，几十页合同或大型技术资料还是要分段。Function Calling 也不支持，所以别把它当成 Agent 底座或者通用助手。它的边界很清楚，就是翻译。

推荐人群

做出海、本地化、跨境业务，以及长期处理法律、金融、技术文档的团队。翻译已经是日常生产流程的一部分，而不是偶尔用一下，这类用户更容易吃到 30B-A3B 的优势。

不推荐人群

只是偶尔翻一封邮件、几句话或者日常聊天的人。这种需求免费在线翻译工具就够了，真想用 Hy-MT2，7B 也完全能应付。30B-A3B 的价值，要到翻译开始变成一项正式业务之后才更明显。