Tether開源非洲語言端側翻譯模型
Tether AI Research發佈多組開源翻譯模型，可在智能手機、筆記本及其他邊緣設備離線運行，數據不上傳第三方雲端。系列歸屬QVAC，包括TranslatePsy-AfriSLM、AfriNano與EuroNano。
AfriSLM覆蓋豪薩語、阿姆哈拉語、約魯巴語、林加拉語、斯瓦希里語、伊博語、祖魯語、索馬里語、奧羅莫語、馬達加斯加語、盧旺達語、科薩語、南非荷蘭語、沃洛夫語、盧幹達語、尼揚賈語、紹納語、茨瓦納語與南索托語共19種，使用人口約佔非洲一半。AfriNano覆蓋8種非洲語言，EuroNano覆蓋9種歐洲語言、90個翻譯方向。
AfriSLM提供8億、20億、40億參數及量化版本。公司稱最小的8億參數模型在FLORES-200、BOUQuET與SMOL上優於Qwen3.5-122B-A10B、TranslateGemma-27B和NLLB-3.3B。EuroNano最小部署約36MB，較同類Firefox離線方案減少約94%；高質量版本英譯方向保留Meta NLLB-200約98.4%質量。
訓練引入質量估計過濾，用MetricX、AfriCOMET、SSA-COMET等分數剔除至多96%低質量開源語料。配套合成平行庫含約2.16億雙向樣本、約323.7億訓練標記，論文稱過濾後合成數據主導質量—效率前沿。權重與數據集已放上Hugging Face的qvac賬戶，論文被EMNLP 2026接收，作者爲Milan Gritta、Patrik Lambert、Jihye Back與Amril Nazir。
首席執行官Paolo Ardoino稱語言不應決定誰能使用人工智能，並指約40億人先被傳統金融再被先進工具排除。公司把發佈框定爲“穩定貨幣、穩定能源、穩定通信之後的穩定智能”，強調把AI送進使用者的世界，而非把人送進雲端。
市場機制上，買方是缺雲服務、缺帶寬的終端用戶與教育醫療本地化項目，賣方是把穩定幣利潤投向端側模型的發行商。事件驅動是開源權重和會議論文同時落地，資金從USDT儲備收益流向數據清洗與小模型微調，而非租用超大雲推理。受益方是低資源語言開發者和可離線部署的應用，承壓方是依賴雲API、按調用收費、且非洲語種表現弱的通用大模型服務商。
來源：公開信息
ABAB AI 解讀
Tether靠USDT儲備利息積累現金後，把研究預算開進與支付無關的端側智能：QVAC先做可壓縮模型，再專攻被通用大模型放棄的語種。Bitfinex與穩定幣爭議年代留下的合規陰影仍在，但它用同一套離岸利潤養活實驗室，讓Milan Gritta等人以公司郵箱發EMNLP論文。這與OpenAI、Google用廣告和雲訂戶養模型相反——鑄幣稅變成語料清洗費。非洲本是USDT使用密度最高的區域之一，翻譯模型是把已有貨幣網絡疊上本地語言接口。
資本路徑是：過濾掉96%噪聲，用合成平行句把8億參數模型推過270億、1220億級系統在特定基準上的分數，再把GGUF量化包扔進手機。這樣做的動機不是替代ChatGPT，而是佔據“無網、無卡、無英語界面”的設備。戰略上，誰先成爲豪薩語、約魯巴語、斯瓦希里語的默認離線引擎，誰就在下一輪數字賬戶和穩定幣錢包裏預裝入口。開源是獲客，端側是擺脫雲廠商審查與費率。
類比Meta的NLLB、Google的TranslateGemma，以及Firefox離線翻譯包：前者追求覆蓋面，後者追求體積。Tether把兩條線擰在一起，並額外加上穩定幣發行商身份。行業階段是從“參數軍備”轉入“數據質量與部署約束”——在低資源語言上，8億參數加過濾合成數據，可以打敗兩個數量級更大的通用模型。
這是技術替代。雲端大模型用規模掩蓋語料髒和網絡貴；端側小模型用清洗和量化把推理搬回芯片。發生的機制是：低資源語言在網頁語料裏接近於零，繼續堆參數只會複製英語偏見；先扔掉96%垃圾再生成專用平行句，才能讓小模型在FLORES一類基準上翻盤。替代的不是智能本身，而是“必須聯網才能說話”的商業結構。
ABAB News · 認知定律
髒數據堆再大，也打不過乾淨的小模型。
離線權等於數據主權。
先佔無網市場，再收有網租金。