10 bahasa,
saling diterjemahkan.
Serval adalah LLM kecil yang hanya menerjemahkan. Dari bahasa mana pun ke bahasa mana pun di antara 10 bahasa: 90 arah. Berkasnya satu (sekitar 1.1 GB) dan berjalan di mesin Anda tanpa tersambung ke internet. Terjemahan di kanan adalah rekaman saat benar-benar diterjemahkan di CPU, diputar dengan kecepatan yang sama.
DEDeutsch
JA日本語
* Teks asli adalah kalimat fiktif yang ditulis sebagai contoh. Terjemahannya keluaran Serval apa adanya, tanpa disunting (bagian yang terdengar kaku pun kami muat apa adanya). Detik yang ditampilkan adalah rekaman dari proses di CPU.
Ukuran 1/65,
selisih 1.2 poin.
Kami menerjemahkan kalimat yang sama dengan gpt-oss-120b (117 miliar parameter) dan menilainya dengan tolok ukur yang sama. Skornya COMET (indikator 0–100 yang menunjukkan seberapa dekat terjemahan dengan terjemahan manusia). Kuning adalah Serval, putih adalah gpt-oss-120b.
* Hasil pengukuran kami sendiri (November 2026; Serval Q4_K_M, gpt-oss-120b reasoning effort medium). Ini bukan berarti Serval lebih unggul; hasilnya menunjukkan bahwa model sekecil ini bisa meraih skor yang berdekatan. Rincian kondisi ada di akhir halaman.
90 arah,
skor satu per satu.
Baris adalah bahasa asal, kolom adalah bahasa tujuan. Makin pekat warnanya, makin tinggi skornya. Pilih satu kotak untuk melihat skor Serval dan gpt-oss-120b pada arah itu secara berdampingan.
↓ Bahasa asalBahasa tujuan →
JA → EN
- Serval
- –
- gpt-oss-120b
- –
- Selisih
- –
* 100 kalimat per arah dari FLORES-200 devtest. Skor adalah COMET (wmt22-comet-da) dikali 100.
Bahasa Kroasia
diajarkan belakangan.
Model dasar Serval (Hy-MT2-1.8B) tidak mendukung bahasa Kroasia. Saat diminta menerjemahkan, kata-kata dari bahasa tetangga dan huruf Kiril ikut tercampur. Karena itu kami menyiapkan sekitar 320 ribu pasang kalimat terjemahan dan melakukan fine-tuning, sehingga bahasa Kroasia bertambah tanpa menurunkan kemampuan 9 bahasa lainnya. Di bawah ini hasil terjemahan kalimat yang sama, sebelum dan sesudah pelatihan.
JA
Sebelum pelatihan (model dasar)
Sesudah pelatihan (Serval)
* Kuning menandai kata yang tercampur huruf Kiril. Sebelum pelatihan: Q4_K_M model dasar; sesudahnya: Q4_K_M Serval. Keduanya diukur ulang untuk halaman ini. Teks asli adalah kalimat dari FLORES-200 (CC BY-SA 4.0).
Hanya CPU,
1–2 detik per kalimat.
Di kiri, Serval menerjemahkan satu kalimat di mesin tanpa GPU. Dua di kanan sebagai pembanding: Serval dan gpt-oss-120b masing-masing dipasang di server dengan GPU 96 GB. Semuanya rekaman nyata yang diputar dengan jumlah detik yang sama, tanpa dipercepat.
CPU saja
ServalTanpa GPU, 8 thread
0.0detik
Pembanding: server GPU
ServalJika dipasang di GPU server yang sama
0.0detik
Pembanding: server GPU
gpt-oss-120bButuh GPU 96 GB
0.0detik
* Hasil pengukuran kami sendiri (November 2026). Waktu dari pengiriman sampai seluruh terjemahan keluar, saat dikirim satu per satu secara berurutan. Teks asli adalah kalimat dari FLORES-200 (CC BY-SA 4.0).
Instruksinya
cukup satu.
Cukup masukkan nama bahasa tujuan dan teks asli. Jika ingin menetapkan terjemahan nama diri, tambahkan tabel padanan di depannya. Bobotnya satu berkas dan langsung berjalan di llama.cpp.
Instruksi
Translate the following text into Japanese. Note that you should only output the translated result without any additional explanation:
{teks asli}Menetapkan terjemahan nama (glosarium)
Reference the following translations: 伏見稲荷大社 translates to Fushimi Inari-taisha Translate the following text into English. Note that … {teks asli}
Menjalankan (llama.cpp)
llama-server -m serval-Q4_K_M.gguf \ -c 4096 -t 8 --jinja --port 8091
TersediaUnduh bobot →
- Tanpa system prompt. Masukkan hanya satu instruksi di atas sebagai user.
- Pengaturannya temperature 0 dan repetition_penalty 1.05.
- Untuk arah yang melibatkan bahasa Mandarin, instruksinya juga ditulis dalam bahasa Mandarin (将以下文本翻译为…).
- Model dasar Hy-MT2-1.8B berlisensi Apache-2.0. Model Serval dibagikan dengan CatsAI Model License, dengan perubahan yang dinyatakan jelas. sementara
- Ukurannya juga memungkinkan dijalankan dengan llama.cpp di ponsel (Android, iOS). Pengukuran kecepatan di perangkat nyata akan kami lakukan. rencana
Ada juga versi
khusus wisata Jepang.
Versi ini dibangun di atas Serval dan melalui fine-tuning dengan kalimat perjalanan yang memuat sekitar 11 ribu nama tempat wisata, stasiun, masakan, dan lainnya di Jepang. Cara baca nama tempat yang sulit jadi lebih jarang keliru. Jika aplikasi juga menyertakan tabel padanan nama (glosarium), nama hampir selalu diterjemahkan sesuai ketetapan. Dengan cara yang sama, kami bisa membuat versi untuk bidang Anda.
Persentase nama tempat dan fasilitas yang diterjemahkan dengan benar
- Nama tempat yang dipakai dalam tes tidak dimasukkan ke pelatihan. Skor untuk kalimat umum turun 0.2–0.4 poin dibanding Serval.
* Hasil pengukuran pada 2,160 kalimat perjalanan buatan kami (antara bahasa Jepang dan 9 bahasa, 18 arah). Daftar nama dibuat dari Wikidata (CC0). Teks asli contoh dibuat untuk tes, dan isi panduannya belum tentu sesuai fakta.
Satu kalimat,
ke 9 bahasa.
Pilih satu kalimat, dan kalimat itu diterjemahkan ke 9 bahasa lain satu per satu. Anda juga bisa memilih satu bahasa tujuan saja. Jam menunjukkan jumlah detik sebenarnya yang diperlukan untuk menerjemahkan.
Langsung: model yang sebenarnya sedang menerjemahkan sekarang, hanya dengan CPU server ini
1Pilih kalimatBahasa asal
JA
2Bahasa tujuan
Ubah kalimatnya dan terjemahkan kalimat apa pun yang Anda mau.
Instruksi yang dikirim ke model
0.0detik
Cara mengukur,
dan konsultasi.
- Kalimat: dari FLORES-200 devtest (dilengkapi terjemahan manusia, CC BY-SA 4.0), 90 arah dari 10 bahasa × 100 kalimat = 9,000 kalimat. Ditambah WMT24++, dari bahasa Inggris ke 9 bahasa, 1,800 paragraf.
- Tolok ukur: COMET (wmt22-comet-da) dikali 100. Indikator ini menilai seberapa dekat terjemahan dengan terjemahan manusia, dengan turut melihat teks asli.
- Versi wisata: 2,160 kalimat tentang tempat yang tidak dipakai dalam pelatihan. Terjemahan acuannya dibuat oleh gpt-oss-120b sambil melihat tabel padanan nama. Karena itu, skor gpt-oss-120b pada kalimat ini kami muat sebagai pembanding saja.
- Pelaksanaan: November 2026, satu unit RTX PRO 6000 (96 GB) di Vast.ai. Akan ditinjau ulang sebelum rilis resmi.