TranslatePsy 開放非洲語言翻譯模型，0.8B 至 4B 版本可量化後離線執行

Tether AI Research 正式發布 TranslatePsy 非洲語言機器翻譯資源。AfriSLM 提供約 0.8B、2B 與 4B 三種規模，以 Qwen3.5 為底座進行全參數監督微調，可在英文與 19 種撒哈拉以南非洲語言間雙向翻譯，亦保留多輪對話格式；三個尺寸另有 Q8_0、Q4_K_M GGUF，可透過 llama.cpp、Ollama 或相容工具部署。模型、程式碼採 Apache 2.0，但公開合成資料集另為 CC-BY-NC 4.0，重訓及資料再利用需分開檢查授權。

訓練混合包含經品質過濾的合成平行語料、多語指令資料，以及用來降低災難性遺忘的 38 種亞洲與歐洲語言平行資料。公開合成部分有約 2.156 億筆雙向樣本、微調前約 323.7 億 token；模型以 32 張 H100、DeepSpeed ZeRO-2 完成一個 epoch，超過 2,048 token 的序列被剔除。論文稱統一品質估計過濾最多可移除 96% token 而不降低測試品質，重點因而不只是縮小模型，而是把低資源翻譯的資料篩選做成可重現流程。

在 FLORES-200、BOUQuET 與 SMOL 的 19 語言雙向評測中，4B 版的宏平均 SSA-COMET 分別為 0.6143、0.6391、0.5136；作者的配對 bootstrap 檢驗顯示，小模型在多數設定優於 TranslateGemma-27B、Qwen3.5-122B-A10B 等較大基線。4B 的 Q4_K_M 分數只小幅降至 0.6138、0.6377、0.5121，顯示量化部署可能保留大部分自動評測表現。另一條 AfriNano 路線採 Marian／Bergamot，將參數壓至 17M 至 43M，支援八種非洲語言，較適合瀏覽器、手機及 CPU 邊緣裝置。

限制同樣明確：主要訓練翻譯由其他模型合成，可能繼承 NLLB 教師與品質指標的錯誤；論文沒有母語專家的人工作業，宏平均亦會掩蓋個別語言、方言及翻譯方向的弱點。工程團隊應先針對實際地區、混語、專業術語與長文件建立人工測試集，高風險醫療、法律或移民用途不能直接依賴目前分數。