HY-MT近期进展
- WMT2025夺冠：在通用翻译赛道上，HY-MT在31个语种中30个语种排名第一，超越Gemini-2.5-pro、CLAUDE4、deepseekv3、qwen3235b等模型。
- 开源：开源HY-MT1.5-7b、HY-MT1.5-1.8b、HY-MT-Chimera三个模型，重点支持33个语种互译，包括5种民汉语言/方言互译和俚语翻译。开源28天下载量超30W次，Huggingface首页趋势榜排名第一。
- 多场景应用落地：接入腾讯会议（实时翻译、会后翻译）、腾讯游戏出海翻译、企业微信（聊天记录翻译、邮件翻译）、微信读书（划词翻译、书籍翻译）、QQ浏览器（文件翻译、划词翻译）、腾讯海外客服、腾讯云翻译等。
HY-MT效果与CASE分享
- 多次强调HY-MT在翻译效果上的优势，具体案例和应用场景未详细展开。
HY-MT训练方案详解
- 多语言增训（CPT）：通过高资源语种桥接获取低资源语种平行语料，并进行多维度质量打分筛选。
- 高质量平行语料获取（SFT）：结合网络收集和人工标注，训练融合模型，再融合多个领先大模型翻译结果提升质量。
- 多语言RM（RL）设计：采用SSR（Simple Self-Rewarding）强化学习训练方案，利用回译方法仅依赖单语数据训练，并通过特定prompt打分进行GRPO强化学习。
- 提升低资源语种翻译效果（RL）：低资源语种效果达到同尺寸SOTA水平。
- 提升术语翻译效果（RL）：提出TAT-R1训练方法，在RM中引入术语词对齐、术语出现顺序、思维链是否包含关键术语等维度，通用翻译能力不下降的情况下，术语翻译效果大幅提升。
HY-MT应用场景能力建设
- 术语、例句库翻译：建设翻译系统，提供可编辑、实时生效的术语、例句库检索模块，提升模型的术语指令遵循能力。
- 带格式翻译：设计协议承载原始格式信息，借助LLM和词对齐工具构造训练数据，并人工check确保数据质量，通过SFT进行冷启+GRPO强化提升效果。
- 实时翻译：模型小型化，补充口语化数据，通过强化学习不断提升效果，重点增强多轮对话场景的模型上下文翻译一致性。
- 词典翻译&解释性翻译：词典知识注入（牛津词典、21世纪大英汉词典等），例句解释知识注入。
经验总结
- 未详细展开，但隐含内容为HY-MT在翻译领域的综合能力和应用价值。
未来展望
- 多模态翻译、语音端到端翻译、图片/视频翻译。
- 翻译AGENT用memory解决长文翻译一致性等问题。
AI开源模型部署和开发实战教学
- 部署方案概览：三种主流技术路线，HuggingFace Transformers、VLLM、LM Studio。
- HuggingFace Transformers：Transformers Pipeline工作原理，代码示例，核心概念包括统一接口封装、多任务支持、自动模型管理等。
- VLLM核心创新：PagedAttention技术，借鉴操作系统虚拟内存分页思想，将KV Cache划分为固定大小的Block进行动态管理，实现显存高效利用。
- VLLM性能优势与部署方式：量化支持GPTQ/AWQ/INT8，支持超高并发，天然支持长上下文。
- LM Studio核心特性：llama.cpp引擎，图形化界面，无需编写代码，适合非技术用户快速上手；OpenAI兼容API，内置模型市场，支持搜索、浏览、一键下载开源模型。
- 适用人群：非技术用户、教育工作者、学生、快速原型验证者。
