Translated dévoile Lara Mini, un modèle de recherche couvrant 45 langues

Translated a annoncé Lara Mini le 12 novembre 2026, mettant en ligne un modèle de recherche entraîné à partir de zéro sur 6 000 milliards de jetons couvrant l’anglais et 44 autres langues, dont les 24 langues officielles de l’UE. Ce système de 7,2 milliards de paramètres n’en active que 600 millions par jeton.

L’architecture à mélange d’experts active quatre des 128 experts acheminés pour chaque jeton, tandis qu’un expert partagé reste actif. Ses 34 couches associent 14 couches d’attention linéaire Gated DeltaNet, 13 couches d’attention à fenêtre glissante de 512 jetons et sept couches d’attention globale, ce qui limite la croissance de l’état d’inférence par rapport à une attention complète. Après la première phase d’entraînement, une étape distincte de 100 milliards de jetons a étendu la fenêtre de contexte de 4 096 à 131 072 jetons.

Translated a constitué le jeu de données à partir de sources rendues publiques, qu’elle a filtrées et dédupliquées pour former un corpus de 13 800 milliards de jetons ; 97 % des jetons de l’entraînement initial correspondaient à la première lecture d’un document. L’anglais représentait 2 490 milliards de jetons, soit 41,4 %, tandis que les 44 autres langues en représentaient 2 180 milliards, soit 36,4 %. Le reste provenait du code, des mathématiques et d’exemples présentés dans un format semblable à celui des données de réglage fin supervisé.

Tester le remplacement par l’anglais

Pour un test distinct, les chercheurs ont utilisé le même point de contrôle lors de deux phases contrôlées de décroissance du taux d’apprentissage, chacune portant sur 100 milliards de jetons. Il s’agissait de la dernière phase d’entraînement, durant laquelle le taux d’apprentissage diminue jusqu’à zéro. Remplacer par de l’anglais la part multilingue de 33 % a fait passer la proportion de l’anglais de 27 % à 60 %. Selon le rapport technique, la moyenne des résultats en anglais sur les jeux de développement n’a gagné que 0,3 point, tandis que la moyenne multilingue pour les langues prises en charge a perdu 2,7 points.

L’expérience porte uniquement sur la phase de décroissance du taux d’apprentissage ; elle ne mesure pas l’effet de la part multilingue pendant la principale phase de préentraînement. Une analyse distincte de l’acheminement a montré que les langues partagent les experts au lieu de disposer de groupes d’experts distincts, les langues apparentées présentant un acheminement similaire au début du réseau et presque identique dans les couches intermédiaires. Les auteurs précisent que le partage de l’acheminement ne prouve pas l’existence de représentations sémantiques communes et que leurs expériences ne démontrent pas que l’entraînement multilingue améliore le raisonnement général ou les performances en anglais.

Résultats aux tests de référence et leurs limites

Translated a évalué Lara Mini face à 56 autres modèles de base ouverts sur 26 tests de référence en anglais, multilingues, mathématiques et code, en utilisant des invites, des paramètres et des méthodes d’extraction des réponses communs. Parmi les 36 modèles comptant au maximum 2 milliards de paramètres actifs, Lara Mini a obtenu une moyenne générale de 57,0, devant granite-4.0-h-tiny à 53,9 et Qwen3-1.7B à 53,8. Leurs totaux de préentraînement déclarés étaient respectivement de 22 500 milliards et de 36 000 milliards de jetons, contre 6 000 milliards pour la phase initiale d’entraînement de Lara Mini.

Les résultats de Translated placent Lara Mini en tête de cette catégorie en compréhension multilingue, avec 56,7, et en mathématiques, avec 59,9 ; le modèle arrive deuxième en anglais, avec 66,4, et cinquième en code, avec 45,1. Le score général accorde le même poids aux moyennes des quatre domaines, et, pour chaque modèle, les résultats aux tests multilingues sont calculés en faisant la moyenne des langues non anglaises prises en charge par Lara Mini. La comparaison porte sur des modèles de base, et non sur des systèmes ajustés pour suivre des instructions. La qualité varie également d’une langue à l’autre : l’azéri et le bengali figurent parmi les langues prises en charge obtenant les scores les plus faibles, les données d’entraînement étant limitées pour celles-ci.

Translated a mesuré la vitesse de Lara Mini à environ 1 100 caractères générés par seconde pour un seul utilisateur sur un GPU A100, sans quantification ; tous les modèles ayant obtenu une moyenne générale supérieure dans sa comparaison de vitesse généraient du texte au moins 1,8 fois plus lentement. L’avantage est maximal avec un seul utilisateur et de longues invites, et diminue lorsque plusieurs utilisateurs partagent le GPU.

Accès à la recherche et projets de produits

Le modèle mis à disposition est un modèle de base de continuation de texte, et non un système conversationnel ou conçu pour suivre des instructions ; il n’a fait l’objet d’aucun réglage de sécurité. Sa fiche de modèle avertit qu’il peut produire des textes erronés, biaisés ou offensants et qu’il ne devrait pas être déployé comme assistant sans entraînement supplémentaire.

L’accès aux poids est soumis à autorisation, chaque demande étant examinée par Translated. Les poids sont proposés sous licence CC BY-NC-SA 4.0 à des fins de recherche et autres usages non commerciaux, tandis que le code et le tokenizer sont sous licence Apache 2.0. Translated propose séparément des licences commerciales et ne publie aucune donnée d’entraînement avec le modèle.

La page de recherche de Translated indique que certains clients d’entreprise auront également accès au modèle et présente le réglage fin pour des applications souveraines spécialisées comme un usage prévu. Lara Mini fait partie de Lara 4, la famille de modèles de fondation destinée à alimenter la prochaine génération de Lara Translate.

Un suivi publié le 13 novembre 2026 indiquait que Lara Mini n’était pas encore disponible dans Lara Translate. L’entreprise prévoyait de l’utiliser comme base pour la traduction de textes hors ligne dans la prochaine application Lara Translate, avec un traitement effectué sur le téléphone afin que le texte reste sur l’appareil. La mention de 45 langues décrit la couverture de l’entraînement ; les langues prises en charge au lancement pour la traduction hors ligne n’étaient pas précisées.

L’application prévue donne une portée concrète à la recherche : transformer un point de contrôle de recherche peu dense en un outil de traduction privé, exécuté sur l’appareil, tout en conservant l’efficacité et les performances multilingues rapportées dans l’évaluation de Translated.