📖标题：Hy-MT2: A Family of Fast, Efficient and Powerful Multilingual Translation Models in the Wild
🌐来源：arXiv, 2605.22064v1
🛎️文章简介
🔸研究问题：如何解决现有翻译模型在垂直领域、复杂指令遵循及端侧部署效率上的不足？
🔸主要贡献：论文提出Hy-MT2系列模型，通过语系中心后训练和极端量化技术，实现高质量、强指令遵循及高效端侧部署。
📝重点思路
🔸采用分阶段训练管线，首先进行面向翻译的中间预训练，利用大规模多语种数据强化基础翻译能力与跨语言语义对齐。
🔸创新提出语系中心后训练框架，将数据按语系分支处理以减少干扰。引入参考引导的策略蒸馏，构建融合多源参考信号的Chimera教师模型，增强蒸馏多样性。
🔸实施语系特定的强化学习，结合规则预过滤与基于LLM的多维质量评估系统，提供细粒度奖励信号，优化翻译准确性与风格一致性。
🔸执行跨族策略蒸馏，将各语系专家模型的能力迁移至统一学生模型，并融入通用指令数据以保留非翻译类的指令遵循能力。
🔸应用AngelSlim极端量化技术，实现1.25-bit稀疏三元量化，显著降低存储需求并提升推理速度，支持从云端到端侧的灵活部署。
🔎分析总结
🔸在通用翻译基准FLORES-200和WMT25上，Hy-MT2-7B和30B模型性能超越DeepSeek-V4-Pro等开源强基线，30B模型在GEMBA指标上甚至优于Gemini 3.1 Pro。
🔸在垂直领域和真实场景测试中，Hy-MT2在金融、法律等专业领域及网页、会议等复杂场景中表现优异，GEMBA分数显著提升，证明其鲁棒性更强。
🔸在指令遵循方面，Hy-MT2能精准执行术语约束、格式保持、风格控制等复杂指令，在专用基准IFMTBench上优于同规模开源模型，接近超大模型水平。
🔸量化实验显示，1.25-bit版本仅需440MB存储，推理速度提升1.5倍，且在多数基准上保持接近FP16的性能，极大降低了端侧部署成本。
💡个人观点
论文创新在于“语系中心”的训练范式与极端量化技术的结合，通过按语系分支训练再统一蒸馏，有效解决了多语种训练中的负迁移问题，同时利用混合专家架构平衡了性能与效率。
