English ｜ 中文
🖥️ 官方网站 | 💬 GitHub | 🪡 AngelSlim
Hy-MT2 是一款面向真实复杂场景的“快思考”多语言翻译模型家族，涵盖 1.8B、7B 和 30B-A3B（MoE）三种体量，支持 33 种语言互译并具备强大的多语言指令遵循能力。在端侧部署上，得益于 AngelSlim 1.25-bit 极端量化，其 1.8B 模型仅需 440MB 存储空间，推理速度显著提升 1.5 倍。多维度评测表明，Hy-MT2 在通用、真实业务、专业领域及指令遵循等翻译任务中表现卓越：7B 和 30B-A3B 模型性能不仅超越了 DeepSeek-V4-Pro、Kimi K2.6 等开源模型在快思考模式下的表现，轻量级 1.8B 模型亦在整体上超越了微软和豆包等主流商业 API。
同时，本次我们也开源了一个针对翻译指令遵循能力的评测集IFMTBench。
也欢迎大家使用我们发布的 Hy-MT2-Translator Skill，可以方便接入Hy-MT2系列模型完成翻译任务，下载链接ClawHub和SkillHub。
现在，腾讯混元也在与WMT26官方合作「视频字幕翻译比赛」（https://www2.statmt.org/wmt26/video-subtitle-translation.html ），使用Hy-MT系列模型参与「通用机器翻译比赛」（https://www2.statmt.org/wmt26/translation-task.html ）和「视频字幕翻译比赛」有机会获得混元特设奖励，诚邀邀大家参与，共同推动机器翻译前沿技术发展。
- 2026.5.21 我们在HuggingFace和ModelScope上开源了 Hy-MT2-1.8B/Hy-MT2-7B/Hy-MT2-30B-A3B/IFMTBench
- 2025.12.30 我们在HuggingFace和ModelScope开源了 HY-MT1.5-1.8B和HY-MT1.5-7B
- 2025.9.1 我们在HuggingFace和ModelScope开源了 Hunyuan-MT-7B和Hunyuan-MT-Chimera-7B。
更多的实验效果和分析可以参考我们的报告。
| 模型名 | 简介 | 下载链接 |
|---|---|---|
| Hy-MT2-1.8B | 混元1.8B翻译模型 | 🤗 Model |
| Hy-MT2-1.8B-FP8 | 混元1.8B翻译模型，fp8量化 | 🤗 Model |
| Hy-MT2-1.8B-GGUF | 混元1.8B翻译模型， llama.cpp | 🤗 Model |
| Hy-MT2-1.8B-2bit-GGUF | 混元1.8B翻译模型， llama.cpp, 2bit | 🤗 Model |
| Hy-MT2-1.8B-1.25bit-GGUF | 混元1.8B翻译模型， llama.cpp, 1.25bit | 🤗 Model |
| Hy-MT2-7B | 混元7B翻译模型 | 🤗 Model |
| Hy-MT2-7B-FP8 | 混元7B翻译模型，fp8量化 | 🤗 Model |
| Hy-MT2-7B-GGUF | 混元7B翻译模型， llama.cpp | 🤗 Model |
| Hy-MT2-30B-A3B | 混元30B-A3B翻译模型 | 🤗 Model |
| Hy-MT2-30B-A3B-FP8 | 混元30B-A3B翻译模型，fp8量化 | 🤗 Model |
注意：下面的source_lang和target_lang都使用语言的全称，中文使用中文全称，英文使用英文全称。
| Type | Chinese prompt | English prompt |
|---|---|---|
| Default Translation | 将以下文本翻译为 {target_lang}，注意只需要输出翻译后的结果，不要额外解释：{source_text} | Translate the following text into {target_lang}. Note that you should only output the translated result without any additional explanation:{source_text} |
| Terminology | 参考下面的翻译：{text} 翻译成 {text}{text} 翻译成 {text}{text} 翻译成 {text}将以下文本翻译为 {target_lang}，注意只需要输出翻译后的结果，不要额外解释：{source_text} | Reference the following translations:{text} translates to {text}{text} translates to {text}{text} translates to {text}Translate the following text into {target_lang}. Note that you must ONLY output the translated result without any additional explanation:{source_text} |
| Style | 请将以下文本翻译为 {target_lang}。注意翻译的风格要严格符合【 {target_style}】{source_text} | Please translate the following text into {target_lang}. Note that the translation style must strictly conform to [{target_style}]:{source_text} |
| Personalization | 【待翻译文本】{source_text}【翻译任务】 1、 {user_preferences}2、 {user_preferences}3、…… 4、将【待翻译文本】翻译为 {target_lang}。 | [Source Text]{source_text}[Translation Tasks] 1. {user_preferences}2. {user_preferences}3. ... 4. Translate the [Source Text] into {target_lang}. |
| Delimiters | 请将以下文本准确翻译为 {target_lang}。你必须在译文中保留等量的分隔符，绝对不可遗漏、转义或翻译该符号，并注意分隔符的位置。 {source_text} | Please accurately translate the following text into {target_lang}.You must retain the exact same number of delimiters in the translation. Strictly do not omit, escape, or translate these symbols, and pay close attention to their placement. {source_text} |
| Structured Data 1 | # 任务目标 将下方 {source_text} 中的 {format_type} 格式数据翻译为 {target_lang}。# 严格约束 1. 结构锁定：绝对保持原有的 {format_type} 数据结构、缩进和层级完全不变。2. 选择性翻译：仅翻译面向用户展示的可见文本内容。 3. 禁止修改：严禁翻译或更改任何代码标签、键名 (Key)、变量占位符（如 {{var}}、${var}、%s、%d 等）或代码属性。# 数据输入 {source_text} | ### Task Translate the user-facing text within the following {format_type} data into {target_lang}.### Strict Rules 1. Structure Preservation: You MUST preserve the original {format_type} data structure, nesting, hierarchy, and indentation exactly as they are.2. Selective Translation: Translate ONLY the visible, user-facing text content/values. 3. Strict Non-Translation: NEVER translate or alter code tags, keys, properties, object names, or variable placeholders. Leave them exactly in their original English/code form. ### Source Data {source_text} |
| Structured Data 2 | 【背景信息】{background_text}请结合背景信息将以下文本翻译为 {target_lang}。【待翻译文本】 {source_text} | [Background Information]{background_text}Please translate the following text into {target_lang}, taking the provided background information into consideration.[Source Text] {source_text} |
对于1.8B和7B，我们推荐使用下面这组参数进行推理。注意，我们的模型没有默认 system_prompt。
{
"temperature": 0.7,
"top_p": 0.6,
"top_k": 20,
"repetition_penalty": 1.05,
"max_tokens": 4096
}
对于30B-A3B，我们推荐使用下面这组参数进行推理。注意，我们的模型没有默认 system_prompt。
{
"temperature": 0.7,
"top_p": 1.0,
"top_k": -1,
"repetition_penalty": 1.0,
"max_tokens": 4096
}
transformers>=5.6.0
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_path = "tencent/Hy-MT2-30B-A3B-FP8"
# Load tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
# Load model
model = AutoModelForCausalLM.from_pretrained(
model_path,
dtype=torch.bfloat16,
device_map="auto",
trust_remote_code=True,
)
model.eval()
# Example inference
prompt = "将以下文本翻译成英语,注意只需要输出翻译后的结果,不要额外解释:\n\n今天天气真好。"
messages = [{"role": "user", "content": prompt}]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
with torch.no_grad():
outputs = model.generate(
**inputs,
max_new_tokens=4096,
)
response = tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True)
print(response)
Build vLLM from source:
uv venv --python 3.12 --seed --managed-python
source .venv/bin/activate
git clone https://github.com/vllm-project/vllm.git
cd vllm
uv pip install --editable . --torch-backend=auto
Start the vLLM server:
vllm serve tencent/Hy-MT2-30B-A3B-FP8 --tensor-parallel-size 1
Build SGLang from source:
git clone https://github.com/sgl-project/sglang
cd sglang
pip3 install pip --upgrade
pip3 install "transformers>=5.6.0"
pip3 install -e "python"
Launch SGLang server:
python3 -m sglang.launch_server --model tencent/Hy-MT2-30B-A3B-FP8 --tp 1
Hy-MT2提供了完整的模型训练流程，支持全量微调和 LoRA 微调，同时支持 DeepSpeed ZeRO 多种配置以及 LLaMA-Factory 集成。
详细的训练文档请参考：模型训练指南
我们提供了 AngelSlim——一套易用、全面、高效的大模型压缩工具包，涵盖常用量化算法、低比特量化和投机采样等能力。
| Languages | Abbr. | Chinese Names |
|---|---|---|
| Chinese | zh | 中文 |
| English | en | 英语 |
| French | fr | 法语 |
| Portuguese | pt | 葡萄牙语 |
| Spanish | es | 西班牙语 |
| Japanese | ja | 日语 |
| Turkish | tr | 土耳其语 |
| Russian | ru | 俄语 |
| Arabic | ar | 阿拉伯语 |
| Korean | ko | 韩语 |
| Thai | th | 泰语 |
| Italian | it | 意大利语 |
| German | de | 德语 |
| Vietnamese | vi | 越南语 |
| Malay | ms | 马来语 |
| Indonesian | id | 印尼语 |
| Filipino | tl | 菲律宾语 |
| Hindi | hi | 印地语 |
| Traditional Chinese | zh-Hant | 繁体中文 |
| Polish | pl | 波兰语 |
| Czech | cs | 捷克语 |
| Dutch | nl | 荷兰语 |
| Khmer | km | 高棉语 |
| Burmese | my | 缅甸语 |
| Persian | fa | 波斯语 |
| Gujarati | gu | 古吉拉特语 |
| Urdu | ur | 乌尔都语 |
| Telugu | te | 泰卢固语 |
| Marathi | mr | 马拉地语 |
| Hebrew | he | 希伯来语 |
| Bengali | bn | 孟加拉语 |
| Tamil | ta | 泰米尔语 |
| Ukrainian | uk | 乌克兰语 |
| Tibetan | bo | 藏语 |
| Kazakh | kk | 哈萨克语 |
| Mongolian | mn | 蒙古语 |
| Uyghur | ug | 维吾尔语 |
| Cantonese | yue | 粤语 |
@misc{hy-mt1.5,
title={HY-MT1.5 Technical Report},
author={Mao Zheng and Zheng Li and Tao Chen and Mingyang Song and Di Wang},
year={2025},
eprint={2512.24092},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2512.24092},
}
如果你想给我们的研发和产品团队留言，欢迎联系我们腾讯混元LLM团队。你可以通过邮件（hunyuan_opensource@tencent.com）联系我们。
35/F,Tencent Building,Kejizhongyi Avenue,Nanshan District,Shenzhen
