作者 / 資深研究科學家David Vilar,產品經理Kat Black

我們已正式推出 TranslateGemma，這一全新的開放翻譯模型系列基于 Gemma 3 構建，并提供 4B、12B 和 27B 三種參數規模。TranslateGemma 的問世標志著開放翻譯領域邁出了重要一步，它可幫助人們跨越 55 種語言進行交流，無論身在何處或使用何種設備均可輕松實現。

我們將最先進的大模型相關知識提煉到緊湊的高性能開放模型中，由此打造出了這套效率與質量兼備的模型。

性能表現勝于其規模兩倍的模型

在我們的技術評估中，最引人注目的一項發現是這些模型的效率。得益于專項訓練流程，TranslateGemma 12B 模型在 WMT24++ 基準測試中的表現遠超 Gemma 3 27B 基準模型 (基于 MetricX 指標衡量)。

對于開發者而言，這是一項重大突破。僅需不到基準模型一半的參數量，即可實現高保真級的翻譯質量。這項效率突破可在不影響準確率的前提下，顯著提高吞吐量并降低延遲。同樣地，4B 模型的性能可與規模較大的 12B 基準模型的性能相媲美，這也使其成為適合移動端推理的強大模型。

我們基于 WMT24++ 數據集對 TranslateGemma 進行了全面評估。該數據集包含 55 種語言，涵蓋多種語系，高資源、中資源和低資源語言應有盡有。與 Gemma 基準模型相比，TranslateGemma 在所有語言中均可大幅降低錯誤率，并能以更高效率實現更高質量。

基于 Gemini 構建

這種智能密度究竟是如何實現的？這要歸功于一套獨特的兩階段微調過程，此過程將 Gemini 模型的 "直覺" 提煉到一個開放架構當中。

監督微調 (SFT): 我們在一個多樣化的平行數據數據集上對 Gemma 3 基準模型進行了微調。此數據集包含大量人工翻譯文本，并結合由最先進的 Gemini 模型生成的高質量合成翻譯，即使在低資源語言中也能實現廣泛的語言覆蓋率和高保真度。

強化學習 (RL): 為了進一步優化翻譯質量，我們引入了一個新穎的強化學習階段。我們使用包含 MetricX-QE 和 AutoMQM 等高級指標在內的多種獎勵模型，來引導模型產生更符合語境且聽起來更自然的翻譯。

前所未有的語言覆蓋率

我們對 TranslateGemma 在 55 個語言對上進行了嚴格的訓練和評估，以確保它能在主要語言 (如西班牙語、法語、中文和印地語) 以及多種低資源語言中均提供高質量的可靠性能。

除了這些核心語言外，我們還通過針對近 500 個其他語言對進行訓練來突破極限。TranslateGemma 的設計定位是成為深度優化的堅實基礎，使其成為研究人員針對特定語言對微調其前沿模型，或提升低資源語言翻譯質量的理想起點。雖然我們尚未確認此擴展集合的評估指標，但我們已將完整列表納入技術報告，以此鼓勵社區進行探索和深度研究。

強大的多模態能力

TranslateGemma 模型延續了 Gemma 3 強大的多模態功能。我們根據 Vistra 圖像翻譯基準執行的測試表明，文本翻譯能力的提升也會對圖像內文本的翻譯能力產生積極影響，即使在 TranslateGemma 訓練過程中未進行特定的多模態微調亦是如此。

全場景靈活部署

TranslateGemma 為開放翻譯模型樹立了全新標準，并在最優性能與卓越效率之間取得平衡。這些模型專為多樣化的部署環境而設計，還有三種規模任您選擇:

4B 模型: 針對移動端和邊緣部署進行了優化。

12B 模型: 設計為可在消費級筆記本電腦上流暢運行，為本地開發環境帶來研究級的強大性能。

27B 模型: 旨在提供最大保真度，能夠在云端的單個 H100 GPU 或 TPU 上運行。

即刻體驗 TranslateGemma

TranslateGemma 版本的發布為研究人員和開發者提供了功能強大且適配靈活的工具，以滿足各種翻譯相關任務的需求。我們期待看到社區在這些模型的基礎上進行構建并加以利用，共同打破語言障礙并促進跨文化深度理解。具體試用方式如下: