10 nyelv között,
oda-vissza fordít.
A Serval kizárólag fordításra készült kis LLM. A 10 nyelv bármelyikéről bármelyikére, 90 irányban fordít. Egyetlen fájl (kb. 1.1 GB), és internetkapcsolat nélkül, a saját gépén fut. A jobb oldali fordítás egy valódi, CPU-n készült fordítás felvétele, eredeti sebességgel lejátszva.
DEDeutsch
JA日本語
* A forrásszövegek mintának írt, kitalált mondatok. A fordítás a Serval változatlan kimenete, nem javítottunk rajta (a döcögősebb megfogalmazásokat is meghagytuk). A megjelenített másodpercek egy CPU-n végzett futtatás felvételei.
65-öd akkora,
a különbség 1.2 pont.
Ugyanazokat a mondatokat fordíttattuk le, mint a gpt-oss-120b-vel (117 milliárd paraméter), és ugyanazzal a mércével pontoztuk. A pontszám COMET (0-tól 100-ig mutatja, mennyire áll közel a fordítás az emberi referenciafordításhoz). Sárga a Serval, fehér a gpt-oss-120b.
* Saját mérés (2026. november; Serval: Q4_K_M, gpt-oss-120b: reasoning effort medium). Az eredmény nem azt jelenti, hogy a Serval jobb, hanem azt, hogy kicsiben is közeli pontszámot ér el. A részletes feltételek az oldal végén.
90 irány,
mindegyik külön pontszámmal.
Függőlegesen a forrásnyelv, vízszintesen a célnyelv látható. Minél sötétebb a szín, annál magasabb a pontszám. Ha kiválaszt egy cellát, egymás mellett megjelenik a Serval és a gpt-oss-120b pontszáma abban az irányban.
↓ forrásnyelvcélnyelv →
JA → EN
- Serval
- –
- gpt-oss-120b
- –
- Különbség
- –
* A FLORES-200 devtestből, irányonként 100 mondat. A pontszám a COMET (wmt22-comet-da) 100-szorosa.
A horvátot
utólag tanítottuk meg.
A Serval alapjául szolgáló modell (Hy-MT2-1.8B) nem támogatja a horvátot. Ha mégis fordíttattunk vele, szomszédos nyelvek szavai és cirill betűk keveredtek a szövegbe. Ezért kb. 320 000 párhuzamos mondatpárral finomhangoltuk, és úgy adtuk hozzá a horvátot, hogy a másik 9 nyelv teljesítménye nem romlott. Lent ugyanazt a mondatot látja a tanítás előtt és után lefordítva.
JA
Tanítás előtt (alapmodell)
Tanítás után (Serval)
* Sárgával a cirill betűt tartalmazó szavakat jelöltük. A „tanítás előtt” az alapmodell Q4_K_M, a „tanítás után” a Serval Q4_K_M változata; mindkettőt most újra megmértük. A forrásszövegek a FLORES-200 (CC BY-SA 4.0) mondatai.
Csak CPU-val
mondatonként 1–2 mp.
Bal oldalon az látható, ahogy a Serval GPU nélküli gépen lefordít egy mondatot. A jobb oldali kettő viszonyításul szolgál: a Serval, illetve a gpt-oss-120b egy 96 GB-os GPU-val szerelt szerveren. Mindegyik valódi felvétel, eredeti időtartammal lejátszva, gyorsítás nélkül.
Csak CPU
ServalGPU nélkül, 8 szál
0.0mp
Viszonyításul: GPU-szerver
Servalugyanannak a szervernek a GPU-ján
0.0mp
Viszonyításul: GPU-szerver
gpt-oss-120b96 GB-os GPU kell hozzá
0.0mp
* Saját mérés (2026. november). Egyenként, sorban küldött kéréseknél a küldéstől a teljes fordítás megjelenéséig eltelt idő. A forrásszövegek a FLORES-200 (CC BY-SA 4.0) mondatai.
Prompt
csak egy van.
Csak a célnyelv nevét és a forrásszöveget kell beírni. Ha előre rögzítené a tulajdonnevek fordítását, megfeleltetési táblázatot tehet elé. A súlyok egyetlen fájlban vannak, és llama.cpp-vel azonnal futnak.
Prompt
Translate the following text into Japanese. Note that you should only output the translated result without any additional explanation:
{forrásszöveg}Nevek fordításának rögzítése (szójegyzék)
Reference the following translations: 伏見稲荷大社 translates to Fushimi Inari-taisha Translate the following text into English. Note that … {forrásszöveg}
Indítás (llama.cpp)
llama-server -m serval-Q4_K_M.gguf \ -c 4096 -t 8 --jinja --port 8091
NyilvánosSúlyok letöltése →
- System promptot nem kell megadni. A user üzenetbe csak a fenti promptot kell beírni.
- Beállítások: temperature 0, repetition_penalty 1.05.
- Ha az irányban a kínai is szerepel, a prompt is kínai (将以下文本翻译为…).
- Az alapmodell, a Hy-MT2-1.8B Apache-2.0 licencű. A Serval modellt a CatsAI Model License alatt, a módosítások feltüntetésével adjuk közre. előzetes
- Akkora, hogy mobilon (Android, iOS) is futtatható llama.cpp-vel. A sebességet valódi készülékeken ezután mérjük meg. tervezett
Japán utazáshoz
hangolt változat is van.
Ez a változat a Servalra épül: olyan utazási szövegekkel finomhangoltuk, amelyekben kb. 11 000 japán név szerepel: látnivalók, állomások, ételek. Így ritkábban téveszti el a nehéz helynevek olvasatát. Ha ráadásul az alkalmazás megfeleltetési táblázatot (szójegyzéket) is ad a nevekhez, a nevek szinte mindig a rögzített módon jelennek meg. Ugyanezzel a módszerrel az Ön szakterületére hangolt változat is készíthető.
Helyesen lefordított hely- és létesítménynevek aránya
- A tesztben használt helynevek nem szerepeltek a tanításban. Általános szövegeken a pontszám 0.2–0.4 ponttal alacsonyabb a Servalénál.
* Saját készítésű, 2160 utazási mondaton mért értékek (a japán és 9 másik nyelv között, 18 irányban). A névlista a Wikidatából (CC0) készült. A minták forrásszövegei tesztre írt mondatok, a bennük szereplő tájékoztatás nem feltétlenül felel meg a valóságnak.
Egy mondat
9 nyelvre.
Ha kiválaszt egy mondatot, a modell egyenként lefordítja a másik 9 nyelvre. Egyetlen célnyelvet is választhat. Az óra a fordítás valódi idejét mutatja másodpercben.
Élő: a valódi modell most fordít, kizárólag ennek a szervernek a CPU-ján
1Válasszon mondatotforrásnyelv
JA
2Célnyelv
Átírhatja a mondatot, és bármit lefordíttathat.
A modellnek küldött prompt
0.0mp
A mérés módja
és a konzultáció.
- Mondatok: a FLORES-200 devtestből (emberi referenciafordítással, CC BY-SA 4.0) 10 nyelv 90 iránya × 100 mondat = 9000 mondat. Emellett a WMT24++-ból angolról 9 nyelvre, 1800 bekezdés.
- Mérce: a COMET (wmt22-comet-da) 100-szorosa. A mutató a forrásszöveget is figyelembe véve pontozza, mennyire áll közel a fordítás az emberi fordításhoz.
- Utazási változat: 2160 mondat olyan helyekről, amelyek nem szerepeltek a tanításban. A referenciafordítást a gpt-oss-120b készítette a nevek megfeleltetési táblázata alapján. Ezért a gpt-oss-120b ezeken a mondatokon elért pontszámát csak tájékoztatásul közöljük.
- Időpont: 2026. november, a Vast.ai egy RTX PRO 6000 (96 GB) gépén. A hivatalos megjelenés előtt felülvizsgáljuk.