进入第二阶段，Hunyuan-7B-Base的优化重点是更高的精度。腾讯混元团队选取了约26.8万对更高保真的语料，经过更加严格的筛选与验证，部分样本由人工复核，保证了数据的可靠性。
借助这一双阶段的微调策略，模型的翻译表现实现提升，特别是在少数民族语言与汉语的互译任务中展现出明显优势。
RL阶段，Hunyuan-7B-Base采用了常见的GRPO算法，并设计了多元化的奖励函数。
这一奖励函数包括质量感知奖励、术语感知奖励和重复惩罚。
其中，质量感知奖励包含两个奖励信号，一个由客观机器翻译质量评估模型XComet-XXL提供，这一模型不像传统的BLEU评估模型一样依赖人工译文，而是直接分析翻译文本的流畅性、准确性和自然度等特征。
另一个奖励信号来自DeepSeek-V3-0324的评分。V3在这里扮演了类似人工翻译评审员的角色，并借用了GEMBA翻译质量评估框架里的提示词，让V3对翻译结果的语义准确性、语法正确性等进行评分。
能否对关键术语进行准确翻译，也会影响译文质量。腾讯混元团队引入基于词对齐的奖励机制，通过词对齐工具提取关键术语和信息，计算机器译文和参考译文的重合率，重合率高奖励就越大。
该团队观察到，模型在RL后期容易生成重复内容，甚至可能导致训练崩溃。因此，他们设计了重复检测机制，一旦发现重复模式则施加惩罚，以保持输出的多样性和训练的稳定性。
腾讯混元团队还提出了“弱到强”强化学习方法，模型会生成多个翻译结果，并利用基于Hunyuan-MT-7B的融合模型通过GRPO聚合这些输出。奖励函数由XComet-XXL评分、DeepSeek-V3-0324评分和重复惩罚项组成。这种奖励机制能够全面评估翻译质量，同时避免冗余输出。最终，Hunyuan-MT-7B-Chimera模型诞生了。
系统提示词显示，Hunyuan-MT-7B-Chimera会分析六个不同翻译结果，生成经过统一优化的最终翻译结果。
该方法利用多种翻译之间的互补性，从而显著提升翻译质量。
基准测试结果显示，Hunyuan-MT-7B和Hunyuan-MT-Chimera-7B在XCOMET-XXL和CometKiwi两项指标上均显著优于大多数基线模型，显示出稳定而显著的改进。
在谷歌等企业推出的WMT24pp基准上，Hunyuan-MT-7B的XCOMET-XXL得分为0.8585，超越了所有基线模型，包括Gemini-2.5-Pro和Claude-Sonnet-4等超大模型。
在汉语与少数民族语言的翻译任务中，Hunyuan-MT-7B（得分0.6082）和Hunyuan-MT-Chimera-7B（得分0.6089）高于所有竞品，其中最接近的Gemini-2.5-Pro为0.5811。
