Cohere introducerer open-weight 218B mixture-of-experts maskinoversættelsesmodel

Cohere frigav North Small Translate den 10. september 2026, en open-weight mixture-of-experts maskinoversættelsesmodel med i alt 218 milliarder parametre og 25 milliarder aktive parametre, licenseret til forskning og ikke‑kommerciel brug under CC BY-NC 4.0.

Cohere beskrev North Small Translate som sin første oversættelsesmodel i North‑modelfamilien, der bygger på en flersproget og oversættelseslinje, der strækker sig fra Tiny Aya‑modelfamilien til Command A Translate. Modellen er kun tekst i begge retninger, med en inputkontekst på 16 K‑token og en outputgrænse på 16 K‑token, og Cohere angiver understøttelse af mere end 50 sprog. Minimumshardware er én B200‑GPU eller to H100‑GPU’er ved W4A4‑kvantisering.

Cohere‑rapporterede benchmark‑resultater, gennemløbshastighed og omkostninger

Cohere rapporterede en WMT26‑score for alle sprog på 83,60 for North Small Translate, som steg til 84,36 for en agentisk multi‑pass‑variant, som virksomheden siger kan finde og rette fejl i oversættelsen. I Coheres evaluering, som brugte GPT‑5.6‑Sol som dommer, opnåede Qwen 3.5 397B A17B 81,56, DeepL NextGen 81,37, Gemma 4 31B (on) 79,46, GLM 5.2 FP8 76,50 og Google Translate 68,20.

WMT‑benchmarken vurderer de generelle evner for maskinoversættelsessystemer på tværs af et bredt udvalg af sprog, domæner, genrer og modaliteter, og dens scoringsmetode betragter scorer fra 80 til 100 som perfekte eller kun med mindre fejl. Cohere beskrev North Small Translate som den bedst præsterende dedikerede maskinoversættelsesmodel i evalueringen, både åben og lukket, i gennemsnit på tværs af alle sprog, og udtalte, at den klarer sig stærkt på 32 høj‑ressource‑sprog og yderligere 18 sprog.

På regionalt niveau rapporterede Cohere, at modellen slog Gemma 4 31B (on) i Europa med 82,2 til 73,9, mens den i Sydasien var stort set på niveau med den med 86,2 til 86,7. Cohere sagde, at begge versioner også overgik DeepL NextGen i alle ikke‑europæiske regioner, der blev testet: med cirka 8‑10 point i Sydasien og MENA, omkring 4‑5 point i Sydøstasien og 1‑3 point i Østasien, hvor standardmodellen nærmede sig DeepL’s 85,41‑score.

I Coheres lang‑kontekst‑evaluering, som måler hvor godt en model oversætter to kapitler af en bog i et enkelt kald med per‑afsnits‑kvalitet vurderet gennem xComet‑XL, opnåede North Small Translate 48,9 mod 21,3 for Google Translate og 19,4 for Gemma 4 31B. Cohere beskrev resultatet som mere end dobbelt så højt som begge baselines og foran alle generelle LLM‑modeller, de testede.

I interne gennemløbstests under identiske samtidighedsniveauer og hardware‑konfigurationer målte Cohere op til 1,4‑gange højere output‑gennemløb end Gemma 4 31B TP1: 112 versus 81 output‑token per sekund ved lav samtidighed og 39 versus 30 ved høj samtidighed, hvilket virksomheden angav som 30‑38 % flere token genereret per sekund.

For virksomheder, der evaluerer kommercielle licenser, rapporterede Cohere en score på 80,1 ved $0,000676 per opgave med i gennemsnit 661 token. Virksomheden oplyste Gemini 3.1 Pro Preview (high) til $0,038928 per opgave, angivet som 5 762 % mere, samt Qwen 3.5 397B A17B og deres egen Command A+ til $0,004525 og $0,005158 per opgave, med prisfastsættelse pr. token eller pr. tegn fra modeludbydernes hjemmesider.

Arkitektur og sprog‑dækning

Modelkortet beskriver North Small Translate som en kun‑dekoder‑baseret spars‑mixture‑of‑experts‑Transformer med 128 eksperter, hvoraf otte aktiveres pr. token, sammen med delte eksperter anvendt på hver token. Opmærksomhedslagene veksler mellem sliding‑window‑attention (vinduesstørrelse 4096, med Rotary Positional Embeddings) og globale opmærksomhedslag uden positions‑embeddings i et 3:1‑forhold, et design der først blev introduceret i Command A. Routeren anvender en sigmoid‑aktivering over ekspert‑logits og normaliserer over de udvalgte top‑k. Modellen blev efter‑trænet specifikt for oversættelseskvalitet.

Hvor meddelelsen beskriver understøttelse af mere end 50 sprog, angiver modelkortet præcis 50, herunder engelsk, arabisk, fransk, tysk, hindi, japansk, koreansk, russisk, ukrainsk, vietnamesisk samt forenklet og traditionelt kinesisk. Coheres dokumentation beskriver dækningen som engelsk plus mere end 50 sprog‑ og lokalitetsvarianter, navngiver moderne standardarabisk, tysk, fransk, japansk, koreansk, russisk og ukrainsk som tier‑one‑sprog, og lister lokalitetsvarianter såsom egyptisk, moderne standard‑ og saudisk arabisk, portugisisk fra Portugal, kyrillisk serbisk og norsk bokmål.

Licensering, adgang og RWS‑partnerskabet

Vægtene er låst på Hugging Face: downloadere skal acceptere at dele deres kontaktinformation, og brugen er reguleret af CC BY‑NC 4.0‑licensen sammen med Cohere Labs’ Acceptable Use‑politik. Tre kvantiseringsvarianter er tilgængelige: BF16 (fire B200‑ eller otte H100‑GPU’er), FP8 (to B200‑ eller fire H100‑GPU’er) og NVFP4 W4A16 (én B200‑ eller to H100‑GPU’er), som modelkortet angiver er de checkpoints, Cohere leverer i produktion. Et hostet Hugging Face‑Space tilbyder en demo af modellen.

Modellen leveres også via Coheres API‑gratis‑niveau gennem Chat V2‑API’en under model‑ID’en north-small-translate-1-0, gratis indtil hastighedsgrænserne nås, med kommerciel licens og implementering tilgængelig via Coheres Model Vault med foreslået hardware på to H100‑GPU’er eller én B200. Coheres dokumentation oplister anvendelsestilfælde som vidensstyring, sikkerheds‑ og driftsdokumentation, intern kommunikation samt lokalisering og kundesupport.

Cohere oplyste, at North Small Translate blev udviklet i partnerskab med RWS, et AI‑løsningfirma inden for sprogteknologi og -tjenester, hvis Language Weaver‑forsknings‑ og videnskabsteams samt sprog‑eksperter hjalp med at forme modellens virkelige oversættelsespræstation gennem udviklingen. Virksomheden angiver, at RWS arbejder med mere end 80 % af verdens top‑100‑mærker, og at virksomheder, der har brug for en dedikeret oversættelses‑ og lokalisationsplatform, kan få adgang til modellen via RWS’s Language Weaver‑produkt.

Ifølge Coheres rapport fra 1. juni 2026 om samarbejdet bad Cohere RWS om at teste Command A Translate i juli 2025, og i september 2025 var de to teams begyndt at arbejde på en specialiseret oversættelsesmodel, som indlægget sagde gik for at drive RWS’s Language Weaver Pro. Cohere rapporterede, at Language Weaver Pro opnåede 55 % samlede sætning‑niveau‑gevinster mod DeepL NextGen i menneskelige evalueringer og overgik konkurrenterne i automatiserede benchmarke i 31 af 32 sprog, der almindeligt anvendes på tværs af virksomhedsdomæner. RWS’s administrerende direktør Ben Faes beskrev modellen bag Language Weaver Pro som hjernen bag produktet.