Google 近日正式发布了 TranslateGemma，这是一套基于 Gemma 3 架构构建的全新开源翻译模型。该系列涵盖了 4B、12B 和 27B 三种参数规模，旨在攻克跨越 55 种语言的机器翻译挑战。这些模型旨在适应多样化的运行环境，涵盖了从移动端、边缘设备到消费级硬件及云端加速器的各类场景。目前，该系列模型已正式开源，供全球开发者与研究人员使用。
TranslateGemma 的诞生源于一种高度关注效率的训练工艺，其核心在于将大型商业系统的知识迁移至轻量化模型。Google 采用了一种结合了监督微调与强化学习的两阶段训练方案。在监督微调阶段，基础版 Gemma 3 模型在由人工翻译和 Gemini 模型生成的合成数据组成的平行语料库上进行训练。这种混合数据集旨在扩大对各类语种（包括低资源语言）的覆盖范围，同时确保翻译质量的稳定性。
在强化学习阶段，Google 利用一组自动奖励信号对模型进行了优化。这些信号包括 MetricX-QE 和 AutoMQM 等机器翻译评估指标，旨在超越简单的参考译文匹配，从而更精准地捕捉翻译的充分性与流利度。据 Google 称，这种方法显著提升了参数效率。在 WMT24++ 基准测试中，12B 规模的 TranslateGemma 所表现出的错误率甚至低于体量更大的 27B Gemma 3 基准模型，而 4B 模型的表现也已逼近 12B 的基准水平。此次评估覆盖了高、中、低资源设置下的 55 种语言。
除了核心的基准测试语言外，Google 还针对近 500 种额外的语言对训练了 TranslateGemma。尽管这些扩展语向尚未经过全面评估，但 Google 表示，将它们纳入其中是为了支持社区进行更深入的研究和微调，尤其是针对那些代表性不足的弱势语言。此外，这些模型还继承了 Gemma 3 的多模态能力。在基于 Vistra 基准的内部测试中，即便没有进行额外的多模态专项微调，文本翻译能力的提升也直接带动了图像内嵌文本翻译表现的优化。
根据模型大小的不同，其部署场景也各具侧重。4B 模型： 专注于移动端和边缘侧推理，适用于内存和功耗限制较严苛的环境。12B 模型： 旨在普通消费级笔记本电脑上运行，无需专用加速器即可进行本地开发和实验。27B 模型： 专为云端部署设计，可在单块高端 GPU 或 TPU（如 H100 级别加速器）上顺畅运行。
社区对该模型的发布反应热烈，讨论焦点集中在 Google 宣称的卓越效率以及开源决策上。社交平台上的研究人员和开发者特别关注 12B 模型超越大型基准模型的表现，认为其在成本敏感型部署和设备端翻译应用中极具潜力。
研究员 Avais Aziz 评价道：
TranslateGemma 为世界带来了强大的开源翻译能力，其质量和效率令人印象深刻。很高兴看到 Gemma 3 能够发挥如此深远的全球影响力，干得漂亮！
与此同时，用户 Darek Gusto 分享道：
太棒了！像 X（原 Twitter）这类平台提供的自动翻译功能，对我们非母语用户意义重大。而开源权重模型正是推动这项功能普及、成为行业标准的关键。
与 Meta 的 NLLB 系列或针对翻译适配的多语言大语言模型相比，TranslateGemma 更侧重于小尺寸模型下的翻译效率。虽然竞品模型通常强调极广的语种覆盖面或通用能力，但它们往往需要更大的参数量或额外的微调。不同于追求规模的路径，TranslateGemma 优先保障了低计算成本下的高质量翻译，精准切中了成本受限场景与设备端运行的痛点。
原文链接：
https://www.infoq.com/news/2026/01/google-translategemma-models/
