腾讯混元开源其国际翻译比赛冠军模型 Hunyuan-MT-7B，该模型参数量为 70 亿，支持 33 种语言和 5 种民汉语言/方言互译，是一个轻量级但能力全面的翻译模型。同时开源的还有业界首个翻译集成模型 Hunyuan-MT-Chimera-7B，它可综合多个翻译模型的结果生成更优翻译，支持接入包括 Deepseek 在内的其他模型。开源不到一周的时间，混元翻译模型登顶 Hugging Face 模型趋势榜第一位。

在 ACL WMT2025 比赛中，Hunyuan-MT-7B 在 31 个语种中获 30 项第一，涵盖常见语种及多个小语种。Hunyuan-MT-7B 在参数受限情况下击败了多个更大规模的模型。在 Flores200 测评数据集上，其表现也领先同规模模型，媲美更大模型。

该模型采用的训练范式涵盖预训练、监督调参、翻译强化等环节。其轻量设计带来多项优势：推理速度更快、支持 FP8 量化进一步提升性能 30%，部署灵活且成本更低，适用于从服务器到边缘设备的多种环境。目前该模型已应用于腾讯会议、企业微信、QQ 浏览器等业务。

本次演讲我将主要介绍腾讯混元大模型团队在混元翻译模型上的训练优化方法。提出大模型翻译能力训练范式，分享在业务应用中的优化经验，希望能给大家带来一些帮助。

演讲提纲

1. 大模型时代机器翻译面临的挑战

2. 大模型机器翻译能力构建

• SHY 训练范式设计
• CPT 阶段关键技术难点
• SFT 阶段关键技术难点
• RL 阶段关键技术难点

3. 业务应用中遇到的困难

• 领域术语翻译效果优化
• 低资源语种翻译效果优化

4. 总结与展望

您认为，这样的技术在实践过程中有哪些痛点？

• 训练流程过长导致成功率偏低
• post-train 阶段训练高质量 reward model 是效果提升的关键

演讲亮点

• 提出业界首个翻译大模型的训练范式，并拆解各个关键环节的关键技术方案，切实提升翻译模型的可用性

听众收益

• 了解业界最先进的翻译大模型在训练过程中遇到的效果调优问题，包括训练框架涉及、post-train 关键技术难点解决方案等
• 了解腾讯翻译在落地应用中遇到的问题和解法