Tether首席执行官Paolo Ardoino近日将讨论焦点从稳定币与支付，转向了人工智能中的一个更细分但极具现实意义的方向——完全在设备本地运行的翻译模型。他认为，相较于依赖云端的大型通用模型，专门用于翻译任务的小型模型，在隐私、速度和实际部署层面反而更具优势。这一观点虽然来自AI应用场景，但其背后的核心逻辑——数据主权、去中心化计算与基础设施效率——也与加密行业长期强调的价值观高度契合。
隐私成为端侧翻译的核心卖点
Ardoino指出，用户在使用云端翻译服务时，往往需要将文本上传至第三方服务器。这意味着，无论是医疗记录、私人聊天、法律合同，还是个人日记，内容都可能离开用户设备并进入外部基础设施。对普通消费者而言，这样的流程或许早已习以为常，但在涉及敏感信息、合规要求或商业机密的场景中，风险并非抽象概念，而是切实存在的问题。
在这一背景下，他主张翻译过程应尽可能在本地完成，也就是直接在手机、笔记本电脑或嵌入式硬件上运行模型，无需向云端发起请求。这种设计的直接意义在于，第三方无需接触原始文本，用户也不必过度担心数据被保留多久、存放在哪里，或者是否可能被额外访问。对于开发者与企业客户而言，本地化处理还有助于降低部分合规压力。
小型专用模型为何可能优于大模型
Ardoino的一个核心判断是：翻译并不一定需要功能庞杂的通用大语言模型。若任务只是“将一种语言转换为另一种语言”，那么一个围绕该单一目标构建的神经机器翻译模型，可能比同时兼顾写作、总结、问答等多任务能力的大模型更加高效。
他认为，这类专用模型在端侧设备上的表现尤其突出。通用模型即便规模不算最大，依然可能带来显著的存储占用、较长的加载时间以及较慢的推理速度，影响手机与笔记本上的实际体验。相比之下，专用于翻译的小模型通常可以控制在数十MB级别，加载时间可缩短至毫秒级，翻译输出速度也更适合真实用户场景。
这一思路正是其提到的项目QVAC所推进的方向。该项目希望将翻译能力完整部署到终端设备，而不是把AI能力继续集中在云服务商手中。Ardoino借此表达了一个明确观点：本地AI并不必然意味着性能妥协，至少在翻译这个任务上，小模型甚至可能做得更好。
QVAC采用“过渡式”部署路径
在落地策略上，QVAC并非完全排斥大语言模型。Ardoino介绍称，系统目前也支持基于LLM的翻译能力，这被视为一种“桥接方案”。如果某个新语种组合需要尽快上线，可以先部署较大的模型提供初始支持，同时并行训练专用翻译模型。待后者成熟后，再由更轻量、更快的专用模型接替。
这种做法体现出明显的工程务实性：一方面不牺牲新语言对的上线速度，另一方面又不放弃长期的端侧优化路线。对于希望在多语种市场快速扩张的产品而言，这种两阶段策略有望在开发周期、用户体验与资源成本之间取得平衡。
批量翻译带来性能提升
除模型体积外，Ardoino还特别提到批量翻译在生产环境中的意义。团队在从演示阶段转向实际应用后发现，文档、聊天记录和多句输入等场景远比单句翻译更常见。如果系统仍按一句一句处理，不仅吞吐量有限，交互体验也会明显变差。
根据其披露的数据，采用批量处理后，系统在规模化场景下的吞吐能力可提升至约2.5倍，同时每句延迟也有明显改善。这意味着端侧翻译并不只适用于零散短句，而是有机会进入更复杂的商业与消费级使用场景，例如文档处理、历史聊天内容整理，甚至实时字幕等。
英语中转方案降低多语种部署成本
在多语种扩展方面，QVAC提出了以英语作为“中转语言”的方案。简单来说，若用户需要将西班牙语翻译为意大利语，系统不必单独训练“西语到意语”模型，而可以串联“西语到英语”与“英语到意语”两个模型完成任务。
这一方案最直接的优势在于显著降低模型数量。Ardoino表示，如果要支持26种语言，传统的语言对建模方式可能需要大约650个模型；而采用英语中转后，所需模型数可降至约50个。对于希望在端侧部署广覆盖翻译能力的团队而言，这种架构上的简化将大幅提高可行性。
实测数据展示端侧翻译潜力
Ardoino还分享了部分硬件测试结果。以Bergamot英译意模型为例，在Linux笔记本上，该模型据称加载时间仅略高于100毫秒，同时能够提供较高的翻译质量。而在Pixel 10 Pro XL设备上，模型加载时间则低于80毫秒，且在批量模式下表现更为突出。
这些数据说明，端侧翻译并非停留在概念验证阶段，而是已具备一定现实可用性。尤其是在智能手机等主流终端上，如果模型能实现低延迟加载与稳定输出，那么完全本地化的语言服务有望成为下一阶段AI落地的重要方向。
对加密与AI交叉领域的启示
尽管此次讨论聚焦翻译模型，但其市场意义并不局限于语言技术本身。对于加密行业而言，Ardoino的表态再次强化了一个趋势：未来AI与Web3的结合，未必只发生在链上代理、代币化算力或去中心化训练网络中，也可能发生在保护用户数据、减少对中心化云服务依赖的终端应用层。
从市场叙事来看，若端侧AI持续取得性能突破，那么围绕隐私计算、边缘设备、轻量模型部署和本地化推理的项目，可能获得更多关注。尤其是在监管趋严、数据安全要求提高的环境下，能够兼顾效率与隐私的技术路线更容易获得企业客户与开发者青睐。
总体来看，Ardoino并未给出代币、融资或商业化收入层面的新信息，但他提出的思路为AI基础设施竞争提供了另一种答案：并非所有任务都需要更大的模型和更多的云算力。至少在翻译这一细分场景中，更小、更快、更私密的端侧模型，可能正在成为更具现实价值的解决方案。