Zwei dichte Modelle (Architektur HunYuanDenseV1, je 32 Schichten, verborgene Dimension 2048 bzw. 4096, FFN-Zwischendimension 6144 bzw. 14.336, 16 bzw. 32 Abfrage- und 4 bzw. 8 KV-Köpfe bei Kopfdimension 128, QK-Norm, geteilte Ein- und Ausgabe-Embeddings, Vokabular 120.818 bzw. 128.167) und ein MoE-Modell (HYV3, 48 Schichten, 128 Experten plus ein geteilter, acht aktive pro Token, Expertendimension 768, verborgene Dimension 2048, 32 Abfrage- und 4 KV-Köpfe, Sigmoid-Router mit Expertenbias und Skalierungsfaktor 2,826, erste Schicht dicht mit FFN-Dimension 6912, rope_theta 11.158.840); Kontextfenster laut config.json in allen drei Fällen 262.144 Token, empfohlene Ausgabelänge 4096. Übersetzt zwischen 33 Sprachen, die Sprachtabelle führt zusätzlich Tibetisch, Kasachisch, Mongolisch, Uigurisch und Kantonesisch. Die Trainingskette ist der eigentliche Beitrag: Auf ein MT-orientiertes Mid-Training mit rund 1 Bio. Token Übersetzungsdaten folgt „Family-Centric Post-training“ — die Daten werden nicht gemischt, sondern nach Sprachfamilien getrennt (westeuropäisch, ostasiatisch, rechtsläufig-nahöstlich), und je Familie entsteht ein eigener Lehrer. Dessen Signal kommt ohne ein größeres Modell zustande: Der „Chimera Teacher“ trainiert nichts Neues, sondern verschmilzt Kandidatenübersetzungen mehrerer bestehender Hy-Modelle mit dem Datensatz-Label zu einem Referenzsatz und bewertet daran die Ausgabe des Schülers (Forward-KL, implementiert auf Hy3-Preview). Danach GRPO je Familie mit zweistufiger Belohnung — ein Regelfilter setzt Wiederholungsschleifen und Sprachmischungen sofort auf 0, erst dann urteilt ein LLM nach der MQM-Fehlertypologie über fünf Dimensionen (Terminologie, Genauigkeit, sprachliche Konventionen, Stil, Instruktionsbefolgung) —, zum Schluss Cross-family OPD, das alle Familienlehrer plus einen Hy-Instruct-Lehrer für allgemeine Anweisungen über Reverse-KL in ein einziges Modell destilliert. Selbstberichtete Werte als XCOMET-XXL / CometKiwi / GEMBA (×100), FLORES-200 über alle 1.056 Richtungen: 1,8B 79,77 / 73,41 / 78,64, 7B 86,89 / 76,03 / 87,23, 30B-A3B 87,47 / 76,34 / 88,79 (Vorgänger HY-MT1.5-7B: 80,98 / 73,36 / 78,30). WMT25: 7B 63,86 / 71,21 / 82,24, 30B-A3B 62,89 / 71,08 / 84,34 — bei GEMBA der beste Wert des Vergleichsfeldes, über Gemini 3.1 Pro und GPT-5.5. Mandarin⇔Minderheitensprachen 62,05 und 62,44 XCOMET-XXL. Auf den hauseigenen Sets DomainMTBench (Durchschnitt XCOMET / GEMBA) 30B-A3B 95,04 / 93,73, 7B 94,92 / 92,79, 1,8B 93,41 / 91,08; WildMTBench 7B 90,28 / 88,93, 30B-A3B 89,87 / 89,25; IFMTBench (Gesamt) 84,69, 83,14 und 69,36. Quantisierung als eigene Trainingsstufe, nicht als Nachbearbeitung: FP8, Q4_K_M, 2 Bit und 1,25 Bit, letztere beiden per QAT mit Distillation, die 1,25-Bit-Fassung als ternäre Darstellung mit feingranularer Sparsifizierung (Verfahren „Sherry“, Werkzeugkasten AngelSlim). Das 1,8B-Modell schrumpft damit auf rund 440 MB.
Ein Spezialist mit 7 Mrd. Parametern zieht auf FLORES-200 mit Modellen gleich, die drei Größenordnungen mehr Parameter haben und im Denkmodus laufen — aber der Vorsprung ist auf Rauschen zusammengeschrumpft: 86,89 gegen 86,81 für DeepSeek-V4-Pro sind 0,08 Punkte, und in derselben Tabellenzelle liegt Hy-MT2-7B bei CometKiwi (76,03 gegen 76,66) und GEMBA (87,23 gegen 89,86) hinten. Das ist die Nachricht hinter der Nachricht: Universalmodelle haben beim Übersetzen so weit aufgeholt, dass ein eigens dafür trainiertes Modell 30 Mrd. Parameter und einen selbstgebauten Benchmark braucht, um noch eindeutig vorn zu liegen. Bezahlt wird dieser Rest an Vorsprung mit genau der Fähigkeit, die ein Modell allgemein brauchbar macht, und das Papier schreibt es selbst hin: Auf Multi-IF fällt Hy-MT2-7B in der dritten Runde auf 54,35 gegen 71,73 des kleineren Gemma4-E4B, das 1,8B-Modell auf 35,75; auf MaXIFE steht es mit 56,17 gegen 73,06 des noch kleineren Gemma4-E2B. Spezialisierung ist hier kein Zugewinn an Effizienz, sondern ein Tausch — mehr Übersetzungsqualität pro Parameter gegen den Verlust der Mehrfachrunden-Kompetenz. Zwei Dinge daran sind neu. Erstens die Lehrerkonstruktion: Tencent destilliert nicht aus einem stärkeren Modell, sondern aus einem Referenzsatz, den es aus mehreren eigenen Modellen und den Datensatz-Labels zusammensetzt — Fähigkeitstransfer ohne ein besseres Modell im Haus, in einem Feld, in dem sonst jeder Fortschritt einen größeren Lehrer voraussetzt. Zweitens der Zielort: 440 MB bei 1,25 Bit, gemessen gegen die 4-Bit-Vorgängerversion auf einem Apple A15 — also auf der Hardware eines iPhone 13, nicht auf der neuesten. Übersetzung ist damit die erste Aufgabe, für die ein Modell mit belegbar konkurrenzfähiger Qualität unter einem halben Gigabyte auf ein Telefon passt, und Tencent liefert die Rechenvorschrift gleich mit — das ist der Teil dieses Releases, der sich nicht mit einem größeren Cluster nachbauen lässt.
ⓘ Herunterladbar ohne Freigabeverfahren, Apache 2.0, gespiegelt auf ModelScope. Neben BF16 liegen FP8-Fassungen aller drei Größen und GGUF-Bauten für llama.cpp vor, für das 1,8B-Modell zusätzlich in 2 Bit und 1,25 Bit. Ebenfalls offengelegt: IFMTBench, ein Benchmark für übersetzungsspezifische Instruktionsbefolgung mit 7.344 menschlich abgeglichenen Beispielen (4.506 mit einer, 2.838 mit mehreren Auflagen), Anweisungen auf Chinesisch, Deutsch, Japanisch, Französisch, Englisch, Spanisch und Koreanisch. Die Repositorys enthalten eine vollständige Fine-Tuning-Umgebung (Volltraining und LoRA, mehrere DeepSpeed-ZeRO-Stufen, LLaMA-Factory-Anbindung). Empfohlene Abtastparameter unterscheiden sich nach Größe: temperature 0,7 durchgehend, für 1,8B und 7B top_p 0,6 / top_k 20 / repetition_penalty 1,05, für 30B-A3B top_p 1,0 / top_k -1 / repetition_penalty 1,0; ein Standard-System-Prompt existiert nicht. Tencent verteilt zusätzlich eine „Hy-MT2-Translator Skill“ über ClawHub und SkillHub und ist Partner der WMT26-Aufgabe zur Videountertitel-Übersetzung.
