<p>谷歌發佈了 TranslateGemma 模型，這是基於 Gemma 3 架構構建的一套新的開放翻譯工具。最引人注目的特點是效率：12B 參數版本在 WMT24++ 基準測試中明顯優於更大的 27B Gemma 3 基線。這一發布標誌着在開源領域實現高保真翻譯質量的方式發生了重大轉變，優先考慮模型密度而非單純的規模。根據公告，這些模型支持 55 種語言的交流，旨在實現從移動設備到雲 GPU 的靈活部署。</p>
<p>這種性能密度是通過一種專門的兩階段微調過程實現的，該過程利用了專有 Gemini 模型的強大能力。該過程包括在多樣的平行數據上進行監督微調（SFT），其中包括由最先進模型生成的高質量合成翻譯。至關重要的是，隨後的強化學習（RL）階段利用了複雜的獎勵模型，如 MetricX-QE 和 AutoMQM，引導輸出朝着上下文準確且自然的結果。該蒸餾技術有效地將來自大型封閉模型的高級語言直覺轉移到緊湊的、可部署的開放架構中。</p>
<p>這一效率突破對專注於現實部署限制的開發者來説是一個巨大的勝利。12B 模型在研究級翻譯質量的同時，所需參數不到之前基線的一半，直接轉化為更高的吞吐量和更低的延遲。這一優化從根本上改變了在本地集成先進翻譯能力的成本效益分析。開發者現在可以使用消費級筆記本電腦實現高保真結果，將強大的翻譯能力從專屬的雲環境中移出。</p>
<h2>將翻譯質量擴展到邊緣</h2>
<p>同樣，4B TranslateGemma 模型的性能與較舊的 12B 基線相媲美，使高質量翻譯在移動推理和邊緣部署中成為可能。提供三種不同的尺寸——4B、12B 和 27B——確保研究人員可以為任何環境（從智能手機到單個 H100 GPU）選擇最佳的保真度和佔用空間平衡。這種分層方法滿足了行業對能夠在沒有大量基礎設施投資的情況下可靠運行的強大模型的需求。</p>
<p>TranslateGemma 模型在 WMT24++ 數據集上對 55 種語言進行了嚴格測試，顯著降低了與基線 Gemma 模型相比的錯誤率。除了這一核心集外，這些模型還在近 500 對額外語言上進行了訓練，使其成為專門研究和低資源語言適應的強大基礎。此外，這些模型保留了 Gemma 3 強大的多模態能力，表明文本翻譯的改進對嵌入圖像中的文本翻譯能力產生了積極影響，即使沒有專門的多模態微調。</p>
<p>TranslateGemma 為開源翻譯模型設定了一個新的、激進的標準，證明了質量並不需要參數膨脹。通過使高保真翻譯民主化並優化消費硬件和移動推理，這一套工具對專有 API 提供商和競爭的開源努力施加了壓力。對效率和可部署性的關注確保這些模型將迅速成為研究人員和企業構建下一代多語言應用的默認起點。</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，這是基於 Gemma 3 架構的一套開放翻譯工具，強調效率。12B 參數模型在 WMT24++ 基準測試中超越了 27B 基線，支持 55 種語言，並設計為靈活部署。兩階段的微調過程提升了性能，以更少的參數實現高質量翻譯。這些模型提供 4B、12B 和 27B 三種規模，適用於各種環境，使高保真翻譯在消費設備上變得可及。這一創新為開源翻譯設定了新標準，挑戰了專有解決方案，並針對現實應用進行了優化</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>谷歌發佈了 TranslateGemma 模型，這是基於 Gemma 3 架構構建的一套新的開放翻譯工具。最引人注目的特點是效率：12B 參數版本在 WMT24++ 基準測試中明顯優於更大的 27B Gemma 3 基線。這一發布標誌着在開源領域實現高保真翻譯質量的方式發生了重大轉變，優先考慮模型密度而非單純的規模。根據公告，這些模型支持 55 種語言的交流，旨在實現從移動設備到雲 GPU 的靈活部署。</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>這種性能密度是通過一種專門的兩階段微調過程實現的，該過程利用了專有 Gemini 模型的強大能力。該過程包括在多樣的平行數據上進行監督微調（SFT），其中包括由最先進模型生成的高質量合成翻譯。至關重要的是，隨後的強化學習（RL）階段利用了複雜的獎勵模型，如 MetricX-QE 和 AutoMQM，引導輸出朝着上下文準確且自然的結果。該蒸餾技術有效地將來自大型封閉模型的高級語言直覺轉移到緊湊的、可部署的開放架構中。</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>這一效率突破對專注於現實部署限制的開發者來説是一個巨大的勝利。12B 模型在研究級翻譯質量的同時，所需參數不到之前基線的一半，直接轉化為更高的吞吐量和更低的延遲。這一優化從根本上改變了在本地集成先進翻譯能力的成本效益分析。開發者現在可以使用消費級筆記本電腦實現高保真結果，將強大的翻譯能力從專屬的雲環境中移出。</p>
</div><h2>Scaling Translation Quality to the Edge</h2>
<div class="lb-trans"><h2>將翻譯質量擴展到邊緣</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>同樣，4B TranslateGemma 模型的性能與較舊的 12B 基線相媲美，使高質量翻譯在移動推理和邊緣部署中成為可能。提供三種不同的尺寸——4B、12B 和 27B——確保研究人員可以為任何環境（從智能手機到單個 H100 GPU）選擇最佳的保真度和佔用空間平衡。這種分層方法滿足了行業對能夠在沒有大量基礎設施投資的情況下可靠運行的強大模型的需求。</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++ 數據集上對 55 種語言進行了嚴格測試，顯著降低了與基線 Gemma 模型相比的錯誤率。除了這一核心集外，這些模型還在近 500 對額外語言上進行了訓練，使其成為專門研究和低資源語言適應的強大基礎。此外，這些模型保留了 Gemma 3 強大的多模態能力，表明文本翻譯的改進對嵌入圖像中的文本翻譯能力產生了積極影響，即使沒有專門的多模態微調。</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 為開源翻譯模型設定了一個新的、激進的標準，證明了質量並不需要參數膨脹。通過使高保真翻譯民主化並優化消費硬件和移動推理，這一套工具對專有 API 提供商和競爭的開源努力施加了壓力。對效率和可部署性的關注確保這些模型將迅速成為研究人員和企業構建下一代多語言應用的默認起點。</p>
</div>

TranslateGemma models redefine open source translation efficiency

- Google 發佈 TranslateGemma 模型，基於 Gemma 3 架構，提升翻譯效率。
- 12B 參數版本超越 27B 基準，支持 55 種語言，優化部署靈活性。
- 新模型提高了本地翻譯能力，降低基礎設施投資需求。

TranslateGemma 模型重新定義了開源翻譯的效率