<p>谷歌发布了 TranslateGemma 模型，这是基于 Gemma 3 架构构建的一套新的开放翻译工具。最引人注目的特点是效率：12B 参数版本在 WMT24++ 基准测试中明显优于更大的 27B Gemma 3 基线。这一发布标志着在开源领域实现高保真翻译质量的方式发生了重大转变，优先考虑模型密度而非单纯的规模。根据公告，这些模型支持 55 种语言的交流，旨在实现从移动设备到云 GPU 的灵活部署。</p>
<p>这种性能密度是通过一种专门的两阶段微调过程实现的，该过程利用了专有 Gemini 模型的强大能力。该过程包括在多样的平行数据上进行监督微调（SFT），其中包括由最先进模型生成的高质量合成翻译。至关重要的是，随后的强化学习（RL）阶段利用了复杂的奖励模型，如 MetricX-QE 和 AutoMQM，引导输出朝着上下文准确且自然的结果。该蒸馏技术有效地将来自大型封闭模型的高级语言直觉转移到紧凑的、可部署的开放架构中。</p>
<p>这一效率突破对专注于现实部署限制的开发者来说是一个巨大的胜利。12B 模型在研究级翻译质量的同时，所需参数不到之前基线的一半，直接转化为更高的吞吐量和更低的延迟。这一优化从根本上改变了在本地集成先进翻译能力的成本效益分析。开发者现在可以使用消费级笔记本电脑实现高保真结果，将强大的翻译能力从专属的云环境中移出。</p>
<h2>将翻译质量扩展到边缘</h2>
<p>同样，4B TranslateGemma 模型的性能与较旧的 12B 基线相媲美，使高质量翻译在移动推理和边缘部署中成为可能。提供三种不同的尺寸——4B、12B 和 27B——确保研究人员可以为任何环境（从智能手机到单个 H100 GPU）选择最佳的保真度和占用空间平衡。这种分层方法满足了行业对能够在没有大量基础设施投资的情况下可靠运行的强大模型的需求。</p>
<p>TranslateGemma 模型在 WMT24++ 数据集上对 55 种语言进行了严格测试，显著降低了与基线 Gemma 模型相比的错误率。除了这一核心集外，这些模型还在近 500 对额外语言上进行了训练，使其成为专门研究和低资源语言适应的强大基础。此外，这些模型保留了 Gemma 3 强大的多模态能力，表明文本翻译的改进对嵌入图像中的文本翻译能力产生了积极影响，即使没有专门的多模态微调。</p>
<p>TranslateGemma 为开源翻译模型设定了一个新的、激进的标准，证明了质量并不需要参数膨胀。通过使高保真翻译民主化并优化消费硬件和移动推理，这一套工具对专有 API 提供商和竞争的开源努力施加了压力。对效率和可部署性的关注确保这些模型将迅速成为研究人员和企业构建下一代多语言应用的默认起点。</p>

谷歌-C

谷歌-A

1 倍做空谷歌 ETF - Direxion

2 倍做多谷歌 ETF - Direxion

<p>谷歌推出了 TranslateGemma 模型，这是基于 Gemma 3 架构的一套开放翻译工具，强调效率。12B 参数模型在 WMT24++ 基准测试中超越了 27B 基线，支持 55 种语言，并设计为灵活部署。两阶段的微调过程提升了性能，以更少的参数实现高质量翻译。这些模型提供 4B、12B 和 27B 三种规模，适用于各种环境，使高保真翻译在消费设备上变得可及。这一创新为开源翻译设定了新标准，挑战了专有解决方案，并针对现实应用进行了优化</p>

<p>Google has released TranslateGemma models, a new suite of open translation tools built on the Gemma 3 architecture. The immediate headline is efficiency: the 12B parameter version demonstrably outperforms the larger 27B Gemma 3 baseline on the WMT24++ benchmark. This release signals a significant shift in how high-fidelity translation quality is achieved in the open source domain, prioritizing model density over sheer scale. According to the announcement, these models support communication across 55 languages, designed for deployment flexibility from mobile devices to cloud GPUs.</p>
<div class="lb-trans"><p>谷歌发布了 TranslateGemma 模型，这是基于 Gemma 3 架构构建的一套新的开放翻译工具。最引人注目的特点是效率：12B 参数版本在 WMT24++ 基准测试中明显优于更大的 27B Gemma 3 基线。这一发布标志着在开源领域实现高保真翻译质量的方式发生了重大转变，优先考虑模型密度而非单纯的规模。根据公告，这些模型支持 55 种语言的交流，旨在实现从移动设备到云 GPU 的灵活部署。</p>
</div><p>This performance density is achieved through a specialized two-stage fine-tuning process that leverages the power of proprietary Gemini models. The process involves Supervised Fine-Tuning (SFT) on diverse parallel data, including high-quality synthetic translations generated by state-of-the-art models. Crucially, the subsequent Reinforcement Learning (RL) phase utilizes sophisticated reward models like MetricX-QE and AutoMQM, guiding the output toward contextually accurate and natural-sounding results. This distillation technique effectively transfers high-level linguistic intuition from massive closed models into compact, deployable open architectures.</p>
<div class="lb-trans"><p>这种性能密度是通过一种专门的两阶段微调过程实现的，该过程利用了专有 Gemini 模型的强大能力。该过程包括在多样的平行数据上进行监督微调（SFT），其中包括由最先进模型生成的高质量合成翻译。至关重要的是，随后的强化学习（RL）阶段利用了复杂的奖励模型，如 MetricX-QE 和 AutoMQM，引导输出朝着上下文准确且自然的结果。该蒸馏技术有效地将来自大型封闭模型的高级语言直觉转移到紧凑的、可部署的开放架构中。</p>
</div><p>The efficiency breakthrough is a massive win for developers focused on real-world deployment constraints. The 12B model achieves research-grade translation quality while requiring less than half the parameters of the previous baseline, directly translating to higher throughput and lower latency. This optimization fundamentally changes the cost-benefit analysis for integrating advanced translation capabilities locally. Developers can now achieve high-fidelity results using consumer laptops, moving powerful translation out of the exclusive cloud environment.</p>
<div class="lb-trans"><p>这一效率突破对专注于现实部署限制的开发者来说是一个巨大的胜利。12B 模型在研究级翻译质量的同时，所需参数不到之前基线的一半，直接转化为更高的吞吐量和更低的延迟。这一优化从根本上改变了在本地集成先进翻译能力的成本效益分析。开发者现在可以使用消费级笔记本电脑实现高保真结果，将强大的翻译能力从专属的云环境中移出。</p>
</div><h2>Scaling Translation Quality to the Edge</h2>
<div class="lb-trans"><h2>将翻译质量扩展到边缘</h2>
</div><p>Similarly, the 4B TranslateGemma model rivals the performance of the older 12B baseline, making high-quality translation viable for mobile inference and edge deployment. The availability of three distinct sizes—4B, 12B, and 27B—ensures that researchers can select the optimal balance of fidelity and footprint for any environment, from smartphones to single H100 GPUs. This tiered approach addresses the industry demand for powerful models that can run reliably without massive infrastructure investment.</p>
<div class="lb-trans"><p>同样，4B TranslateGemma 模型的性能与较旧的 12B 基线相媲美，使高质量翻译在移动推理和边缘部署中成为可能。提供三种不同的尺寸——4B、12B 和 27B——确保研究人员可以为任何环境（从智能手机到单个 H100 GPU）选择最佳的保真度和占用空间平衡。这种分层方法满足了行业对能够在没有大量基础设施投资的情况下可靠运行的强大模型的需求。</p>
</div><p>TranslateGemma models were rigorously tested across 55 languages on the WMT24++ dataset, considerably reducing the error rate compared to the baseline Gemma model. Beyond this core set, the models were trained on nearly 500 additional language pairs, positioning them as a robust foundation for specialized research and low-resource language adaptation. Furthermore, the models retain the strong multimodal capabilities of Gemma 3, showing that improvements in text translation positively impact the ability to translate text embedded within images, even without dedicated multimodal fine-tuning.</p>
<div class="lb-trans"><p>TranslateGemma 模型在 WMT24++ 数据集上对 55 种语言进行了严格测试，显著降低了与基线 Gemma 模型相比的错误率。除了这一核心集外，这些模型还在近 500 对额外语言上进行了训练，使其成为专门研究和低资源语言适应的强大基础。此外，这些模型保留了 Gemma 3 强大的多模态能力，表明文本翻译的改进对嵌入图像中的文本翻译能力产生了积极影响，即使没有专门的多模态微调。</p>
</div><p>TranslateGemma sets a new, aggressive standard for open source translation models by proving that quality does not necessitate parameter bloat. By democratizing high-fidelity translation and optimizing for consumer hardware and mobile inference, this suite pressures both proprietary API providers and competing open source efforts. The focus on efficiency and deployability ensures that these models will rapidly become the default starting point for researchers and enterprises building next-generation multilingual applications.</p>
<div class="lb-trans"><p>TranslateGemma 为开源翻译模型设定了一个新的、激进的标准，证明了质量并不需要参数膨胀。通过使高保真翻译民主化并优化消费硬件和移动推理，这一套工具对专有 API 提供商和竞争的开源努力施加了压力。对效率和可部署性的关注确保这些模型将迅速成为研究人员和企业构建下一代多语言应用的默认起点。</p>
</div>

TranslateGemma models redefine open source translation efficiency

- Google 发布 TranslateGemma 模型，基于 Gemma 3 架构，提升翻译效率。
- 12B 参数版本超越 27B 基准，支持 55 种语言，优化部署灵活性。
- 新模型提高了本地翻译能力，降低基础设施投资需求。

TranslateGemma 模型重新定义了开源翻译的效率