翻译
上级：key-designs
Lucerna 的翻译与语言模型工作，收在一个地方：这是什么语言、是什么意思、有多难、怎么翻译。这是一个组节点——每节只写决定和现状，细节在链接的节点和文件里。2026-10-28 从 high-availability-proposal 拆出来，翻译记录原来住在那个节点现状表的 nlp-api 那行里。
M2M 翻译模型（试点）
试点决定（2026-10-13）：M2M-100 418M，用 CTranslate2 int8 在 CPU 上跑；NLLB 留在磁盘上，零成本可切回。实测（2026-10-10，FLORES-200 devtest，每方向 200 句）：翻成英文 NLLB 大胜，翻成中文 M2M 胜；NLLB 蒸馏 600M 版翻中文有系统性提前截断。许可证：M2M-100 是 MIT（2026-10-21 按模型卡、卡原文、fairseq LICENSE 三源核实；418M 与 1.2B 都是）——剪枝版可进收费版。
打包——可分可合
决定（2026-10-28）：翻译按目标语言出包。中文包覆盖 12 个源语言翻成中文；英文包覆盖 12 个源语言翻成英文。Identity 对子（中→中、英→英）不需要包。两个包可以合成一个：一个共享的 transformer 主体加并集词表——12 个源语言，每个既能翻成中文也能翻成英文。
合起来比相加便宜的原因：主体两边完全一样（2026-10-28 按实测文件拆：完整 M2M-100 int8 是 468 MiB，主体 ≈ 343 MiB，共享 embedding ≈ 125 MiB）。两个包分开发，主体发了两遍；合成一个，主体只发一遍。词表几乎完全重叠：两个包都要 12 个源语言的 token，而每个目标语言的 token 都是对方包里的源语言 token。
按这个实测口径算的大小（各包实测数等剪枝实验）：一个目标包 ≈ 370–400 MB；两个分开 ≈ 740 MB；合成一个 ≈ 370–400 MB——省一半左右。下限：单靠裁词表压不到主体以下（≈ 343 MiB），所以早先 ~200 MB 的预期从裁词表本身推不出来；要进 200 MB 得连主体一起动（层剪、int4、蒸馏）。
fastText 选音
机制（spec v1，2026-10-26）：读者在跨语言书里点一个词，声音必须跟词走，不跟书走——英文书里引用的日语句子，必须用日语声音读。机制给每个被点的词选一个发音语言，不知道必须声明出来，不能偷偷用一个 fallback 假装判对了。三层：文字本身的硬信号（假名、韩文、西里尔）；句子信息够时用句级模型（0.5 只是噪声滤网，不是“不知道检测器”）；没有句子上下文时从输入本身算模糊（词形共有层）。门禁：CLEAR 292/294，AMBIGUOUS 83/83 声明。Unihan 规模的同形词表（v1：37 形）待扩展。这个机制是选音层，不是引擎本身：任何 TTS 引擎的硬门槛是逻辑重音和气口的细粒度控制（2026-10-09 定）——只有音色像、不能控制重音和气口的引擎直接出局。
习语与固定搭配
规矩（2026-10-26 定）：识别是规则匹配（短语表），级别是模型判断（与单词同一把尺子）。短语词典独立成典，不跟词汇字典合并；识别走在查词典前面。翻译由豆包做，所有方向，每条 5 遍 agent proofread，不送人过目。收集完成于 2026-10-28：12 语 2,326 条。英语试点：可训 282 条（训 226 / held-out 56）；第一轮判定 OK 带保留（短语 held-out 准确率 0.3214，多数类基线 0.2679；单词金标无回归——准确率 0.4286→0.4483，macro F1 0.3495→0.3801；短语 L3 召回 0；424 条无真级别行是瓶颈——不编级别）。v7 仍是基线；11 语扩展已开门。
BERT 标注层
更宽的 BERT 线，分级只是其中一件：词义消歧、难度标注（分级）、书内索引、命名实体抽取，再加语域分类线。现状：分级 v7 是基线（冻结金标 n=1,064：准确率 0.4286，macro F1 0.3495，within-1 0.8947，MAE 0.700；zh_tw 崩塌修好；L5 是死类，已单独立项）；语域 v4 已交差（ONNX）。轻量模型：MobileBERT 作 v7 替代失败（准确率 0.3383）；Distil-mBERT 过 12 语门（准确率 0.3938）但低于 v7。没往前推、仍在范围里的：词义消歧、书内索引、命名实体抽取。所有小模型的硬门槛：12 语齐全——de、en、es、fr、it、ja、ko、nl、pt、ru、zh、zh_tw。
当前实验：12 语剪枝
2026-10-28 起在跑。剪枝与打包在本地跑；剪完的正确性评测（FLORES BLEU/chrF 对完整版）在 Kaggle GPU 上跑。交付每方向结果加并集分析：目标包大小、合成包大小对分开之和。结果待出。
Transfer：以后新的语言模型问题——新模型、新选音机制、新评测——先落在这里当一节，长出自己的记录再毕业成独立节点。分组按功能（翻译与语言），不按模型家族：M2M、fastText、BERT 坐在一起，是因为它们回答的是同一个用户问题——这是什么语言，怎么读。