PLaMo 3 Translate 31B
日本 Preferred Networks 推出的 31B 翻译专用大模型,成本仅主流 API 的 1/30,性能压制
产品简介
PLaMo 3 Translate 31B 是日本 Preferred Networks(PFN)于 2026 年 10 月 7 日发布的第三代翻译专用大语言模型,参数规模 310 亿。它基于 PFN 自研的第三代 PLaMo 基础模型微调,专注日英/英日及多语种翻译任务,并在当日同步接入 PFN 旗下"PLaMo 翻译"SaaS(https://translate.preferredai.jp/)对外服务。PLaMo 3 Translate 31B 在多个权威日英翻译基准(WMT24++、PFTB、SaaS 真实请求基准)上跑赢 DeepL、Google 翻译 Translation LLM、Claude Fable 5.1 与 GPT-6 Astra,成本却仅为这些主流 LLM API 的 1/30 左右,是日本国产生成式 AI 在企业翻译场景的代表性突破。
核心功能
1. 日英/英日翻译对:核心优化对象,在 PFTB、SaaS、WMT24++ 三大日英基准测试中均处于业内领先水平,PFTB 英→日 PFTB 0.547、SaaS 英→日 0.879。
2. 多语言翻译:覆盖阿拉伯语、意大利语、印尼语、英语、韩语、简体中文、繁体中文、德语、法语、越南语、俄语等 15+ 主流语种双向互译,模型还学习了匈牙利语、波兰语、印地语等 30+ 长尾语言。
3. 上下文感知自然表达:能识别邮件、店铺介绍、商务对话等不同语域,输出贴合场景的敬体/常体、文言/口语风格。
4. PFN 自研高效 Tokenizer:日语输出 447 token/千字(Claude Fable 5.1 的 893 仅一半),相同单价与生成速度下,输出成本约为 GPT-6/Claude 的一半、生成速度翻倍。
5. SaaS 即开即用:通过 PLaMo 翻译 SaaS 的浏览器翻译、文件翻译、英文校对、桌面应用、会议翻译(2025 新增)功能直接调用,无需自部署。
6. 未来开源承诺:完成训练后会上线 Hugging Face 模型权重并发布技术博客,开发者可本地部署微调。
特色优势
- 极致成本/性能比:在日英翻译上击败 3 倍参数量的 TranslateGemma 27B 与 GPT-6 Astra、Claude Fable 5.1,价格仅 1/30~1/85。
- 垂直翻译能力:相比通用 LLM 在翻译这种单一任务上集中算力,专门优化的 31B 模型就能达到通用 70B+ 模型的翻译水准。
- PFN 自研 Tokenizer:日语字符编码效率约 2 倍领先,相同文本生成 token 数减半 → 同样单价成本减半 + 速度翻倍。
- 日本本土合规:完全在日本国内训练,符合日本政府"国产 AI"采购倾向,已被日本数字厅"源泉"政府 AI 项目采用。
- PLaMo 翻译 SaaS 一体化:模型即日起对所有用户开放试用,含浏览器扩展、桌面端、会议实时翻译。
应用场景
- 跨境电商与本地化:商品页、客服话术、用户评价的高质量日英/中英互译,兼顾语气自然与术语一致。
- 企业与商务沟通:邮件、合同、技术文档的精准翻译,PLaMo 3 Translate 31B 在 PFTB 基准上对商务邮件场景表现尤其突出。
- 多语种内容运营:营销文案、社交媒体帖子的多语言并行翻译,覆盖 15+ 主流语种。
- 学术与研究:论文、专利、技术报告的高精度翻译,文学与口语语域适配。
- 企业内部知识库本地化:技术文档、培训材料、合规章程的多语言版本构建。
- 会议与现场口译:结合 PLaMo 翻译 SaaS 的会议翻译功能(2025 已上线),可实时转写与翻译会议对话。
适用人群
- 跨境电商运营与本地化团队,需要日英/多语种高质量译文
- 日资/中日合资企业的商务、翻译、IT 团队
- 学术研究者与翻译从业者,关注长尾语言与小语种覆盖
- 政府/公共部门在选型日本国产翻译 LLM 的负责人
- 对成本敏感、内容吞吐量大的内容平台方(媒体、出版社、教育机构)
出品方
Preferred Networks, Inc.(株式会社Preferred Networks),日本本土 AI 公司,专注于从 AI 芯片(MN-Core 系列)、计算基础设施、生成式 AI 基础模型到行业应用的 AI 全栈垂直整合。公司联合创始人包括冈野原大辅、西川彻等知名研究者。
更新动态
- 2026 年 10 月 7 日:PLaMo 3 Translate 31B 正式发布,同步在 PLaMo 翻译 SaaS 上线;Tech Blog 公开基准对比结果。
- 已与日本数字厅"源泉"政府 AI 项目达成合作,承担政府机构日英翻译能力底座。
- 训练完成后将向 Hugging Face 开源模型权重(参考 plamo-2-translate 路径),方便本地推理与企业私有化部署。
评论与建议
登录 后参与评论或提建议