混元球（HunyuanBall）最新版

无需联网 · 不占显存 · 支持沉浸式翻译插件 · 开箱即用

混元球（HunyuanBall）是一款在 Windows 10/11 上本地运行的翻译服务工具，基于腾讯开源的 Hunyuan-MT-1.5-1.8B GGUF 模型，通过 llama-server 提供 OpenAI 兼容 API，并内置 WebUI 界面。专为需要离线、私有、高效翻译的用户设计。

核心价值

• ✅ 完全本地运行：无网络请求，数据不出本机
• ✅ 纯 CPU 推理：无需独立显卡，笔记本也能流畅使用
• ✅ 低资源占用：仅需 ~1.2GB 内存，启动后额外占用约 300MB
• ✅ 无缝集成「沉浸式翻译」：一键配置，实现网页/YouTube 字幕全文翻译
• ✅ 支持 33 种语言 + 5 种民汉/方言：覆盖主流语种及小语种（如捷克语、冰岛语、马拉地语等）

技术亮点：腾讯 Hunyuan-MT-1.5-1.8B 模型

• 专为端侧设备优化，量化后仅 1.8B 参数
• 在 Flores200、WMT25、民汉翻译测试集 上表现优异：
  • 超越多数中等开源模型
  • 接近 Gemini-3.0-Pro 的 90% 水平
  • 在部分任务上优于主流商用 API
• 仅需 1GB 内存即可流畅运行，适合日常科研、阅读、字幕翻译等场景

快速开始

1. 准备环境

• 系统：Windows 10/11（64 位）
• 安装 Microsoft Visual C++ Redistributable 2015–2022 (x64)

2. 下载模型

将模型文件放入 models/ 目录：
🔗 Hugging Face 模型下载（Q4/Q6/Q8 可选）

示例路径：

models/HY-MT1.5-1.8B-Q4_K_M.gguf

3. 启动服务

双击 HYBall.exe，系统托盘将出现图标。

• 默认 API 地址：http://127.0.0.1:58088/v1/chat/completions
• WebUI 界面：webui/index.html（自动打开或手动访问）

集成「沉浸式翻译」插件

1. 打开插件设置 → 翻译服务 → 添加自定义服务 → 选择 OpenAI
2. 填写以下参数：

💡 提示：若修改默认端口，请同步更新接口地址。

配置说明（config.json）

{
  "model_path": "models/HY-MT1.5-1.8B-Q4_K_M.gguf",
  "host": "127.0.0.1",
  "port": 58088,
  "threads": 2,
  "threads_batch": 2,
  "ctx": 1024,
  "batch": 256,
  "extra_args": ["--no-webui"],
  "autostart": true,
  "open_webui_on_ready": true,
  "show_tips": true
}

关键参数建议

路径支持 / 或 \\，如 models/HY-MT1.5-1.8B-Q4_K_M.gguf

📁 目录结构

混元球/
├── HYBall.exe          # 主程序（托盘应用）
├── _internal/          # 运行时依赖（勿删）
├── config.json         # 配置文件
├── llama/              # llama-server 及 DLL
├── webui/              # 内置 WebUI 界面
├── models/             # 放置 .gguf 模型文件
└── logs/               # 日志目录（launcher.log / llama-server.log）

❓ 常见问题

Q：启动失败，提示“找不到模型”？

A：检查 models/ 目录是否存在 .gguf 文件，且 model_path 路径正确。

Q：翻译速度慢？

A：降低并发参数（段落数、QPS），或减少 ctx 和 batch。CPU 翻译首次响应约 1.5–3 秒，后续更快。

Q：端口 58088 被占用？

A：修改 config.json 中的 port 为其他空闲端口（如 58100）。

Q：日志在哪里？

A：

• 托盘程序日志：logs/launcher.log
• 模型服务日志：logs/llama-server.log

性能实测（Ryzen 3700X）

• 内存占用：1.2–1.5 GB
• 首次翻译响应：1.5–3 秒
• 后续请求：显著加速（缓存生效）
• 网页全文翻译：基本 1–3 秒内完成（合理配置下）

未来计划

• 支持 macOS / Linux
• 图形化配置界面
• 多模型切换支持
• 更智能的上下文分片策略