Cohere lanza modelo de traducción automática de mezcla de expertos de 218 mil millones de parámetros de peso abierto

Cohere lanzó North Small Translate el 10 de septiembre de 2026, un modelo de traducción automática de mezcla de expertos de peso abierto con 218 mil millones de parámetros totales y 25 mil millones de parámetros activos, licenciado para investigación y uso no comercial bajo CC BY-NC 4.0.

Cohere describió North Small Translate como su primer modelo de traducción en la familia de modelos North, basado en una línea multilingüe y de traducción que va desde la familia de modelos Tiny Aya hasta Command A Translate. El modelo es solo de texto en ambas direcciones, con un contexto de entrada de 16K tokens y un límite de salida de 16K tokens, y Cohere indica soporte para más de 50 idiomas. El hardware mínimo es una GPU B200 o dos GPUs H100 con cuantización W4A4.

Puntos de referencia, rendimiento y costo reportados por Cohere

Cohere informó una puntuación de 83,60 en WMT26 para todos los idiomas con North Small Translate, que sube a 84,36 para una variante multi‑paso agente que la empresa afirma puede detectar y corregir errores en la traducción. En la evaluación de Cohere, que utilizó GPT‑5.6‑Sol como juez, Qwen 3.5 397B A17B obtuvo 81,56, DeepL NextGen 81,37, Gemma 4 31B (on) 79,46, GLM 5.2 FP8 76,50 y Google Translate 68,20.

El benchmark WMT evalúa las capacidades generales de los sistemas de traducción automática en una amplia gama de idiomas, dominios, géneros y modalidades, y su metodología de puntuación considera que las puntuaciones de 80 a 100 son perfectas o con solo errores menores. Cohere describió North Small Translate como el modelo de traducción automática dedicado de mejor desempeño en la evaluación, abierto o cerrado, en promedio en todos los idiomas, y afirmó que funciona de manera sólida en 32 idiomas de alto recurso y 18 idiomas adicionales.

En el nivel regional, Cohere informó que el modelo superó a Gemma 4 31B (on) en Europa, 82,2 frente a 73,9, mientras que se mantuvo prácticamente igual en el sur de Asia, 86,2 frente a 86,7. Cohere dijo que ambas versiones también superaron a DeepL NextGen en todas las regiones no europeas evaluadas: aproximadamente 8 a 10 puntos en el sur de Asia y MENA, alrededor de 4 a 5 puntos en el sudeste asiático, y de 1 a 3 puntos en Asia Oriental, donde el modelo estándar se acercó a la puntuación 85,41 de DeepL.

En la evaluación de contexto largo de Cohere, que mide qué tan bien un modelo traduce dos capítulos de un libro en una sola llamada con calidad por párrafo evaluada mediante xComet‑XL, North Small Translate obtuvo 48,9 frente a 21,3 para Google Translate y 19,4 para Gemma 4 31B. Cohere describió ese resultado como más del doble de ambas líneas base y por delante de todos los LLM de propósito general que probó.

En pruebas internas de rendimiento bajo niveles idénticos de concurrencia y configuraciones de hardware, Cohere midió hasta 1,4 veces mayor rendimiento de salida que Gemma 4 31B TP1: 112 frente a 81 tokens de salida por segundo con baja concurrencia y 39 frente a 30 con alta concurrencia, lo que la empresa calculó como un 30 a 38 % más de tokens generados por segundo.

Para las empresas que evalúan licencias comerciales, Cohere informó una puntuación de 80,1 a $0,000676 por tarea usando un promedio de 661 tokens. La empresa listó Gemini 3.1 Pro Preview (alto) a $0,038928 por tarea, lo que representa un 5 762 % más, y Qwen 3.5 397B A17B y su propio Command A+ a $0,004525 y $0,005158 por tarea, utilizando precios por token o por carácter de los sitios web de los proveedores de modelos.

Arquitectura y cobertura de idiomas

La tarjeta del modelo describe North Small Translate como un Transformer de mezcla de expertos escasa de solo decodificador con 128 expertos, de los cuales ocho se activan por token, junto con expertos compartidos aplicados a cada token. Las capas de atención intercalan atención de ventana deslizante (tamaño de ventana 4096, usando incrustaciones posicionales rotativas) con capas de atención global sin incrustaciones posicionales en una proporción 3:1, un diseño introducido por primera vez en Command A. El enrutador aplica una activación sigmoide sobre los logits de los expertos y normaliza sobre los top‑k seleccionados. El modelo fue post‑entrenado específicamente para la calidad de traducción.

Mientras el anuncio menciona soporte para más de 50 idiomas, la tarjeta del modelo enumera exactamente 50, incluidos inglés, árabe, francés, alemán, hindi, japonés, coreano, ruso, ucraniano, vietnamita y chino simplificado y tradicional. La documentación de Cohere describe la cobertura como inglés más más de 50 variantes de idioma y localidad, nombra árabe estándar moderno, alemán, francés, japonés, coreano, ruso y ucraniano como idiomas de primer nivel, y enumera variantes locales como árabe egipcio, estándar moderno y saudí, portugués de Portugal, serbio cirílico y noruego bokmål.

Licencias, acceso y la asociación con RWS

Los pesos están restringidos en Hugging Face: los descargadores deben aceptar compartir su información de contacto, y el uso se rige por la licencia CC BY‑NC 4.0 junto con la Política de Uso Aceptable de Cohere Labs. Hay tres variantes de cuantización disponibles: BF16 (cuatro B200 o ocho H100 GPUs), FP8 (dos B200 o cuatro H100) y NVFP4 W4A16 (un B200 o dos H100), que la tarjeta del modelo indica son los puntos de control que Cohere sirve en producción. Un Hugging Face Space alojado ofrece una demostración del modelo.

El modelo también se ofrece en el nivel gratuito de la API de Cohere a través de la API Chat V2 bajo el ID de modelo north-small-translate-1-0, gratuito hasta que se alcancen los límites de uso, con licencias comerciales y despliegue disponibles a través del Model Vault de Cohere con hardware sugerido de dos H100 GPUs o una B200. La documentación de Cohere enumera casos de uso que incluyen gestión del conocimiento, documentación de seguridad y operaciones, comunicación interna y localización y soporte al cliente.

Cohere dijo que North Small Translate se desarrolló en colaboración con RWS, una empresa de soluciones de IA en tecnología y servicios lingüísticos cuyo equipo de investigación y ciencia de Language Weaver y sus expertos en idiomas ayudaron a definir el rendimiento de traducción del modelo en entornos reales durante su desarrollo. La compañía afirma que RWS trabaja con más del 80 % de las 100 principales marcas del mundo, y que las empresas que necesiten una plataforma dedicada de traducción y localización pueden acceder al modelo a través del producto Language Weaver de RWS.

Según el informe de Cohere del 1 de junio de 2026 sobre la colaboración, Cohere solicitó a RWS que probara Command A Translate en julio de 2025, y para septiembre de 2025 los dos equipos habían comenzado a trabajar en un modelo de traducción especializado que, según la publicación, impulsó Language Weaver Pro de RWS. Cohere informó que Language Weaver Pro logró un 55 % de victorias a nivel de oración frente a DeepL NextGen en evaluaciones humanas y superó a los competidores en benchmarks automatizados en 31 de 32 idiomas comúnmente usados en dominios empresariales. El CEO de RWS, Ben Faes, describió el modelo detrás de Language Weaver Pro como el cerebro del producto.