Cohere presenta modello di traduzione automatica a peso aperto da 218 Miliardi di parametri a mix di esperti

Cohere ha rilasciato North Small Translate il 10 settembre 2026, un modello di traduzione automatica a peso aperto a mix di esperti con 218 miliardi di parametri totali e 25 miliardi di parametri attivi, con licenza per uso di ricerca e non commerciale ai sensi della CC BY-NC 4.0.

Cohere ha descritto North Small Translate come il suo primo modello di traduzione nella famiglia di modelli North, basato su una linea multilingue e di traduzione che parte dalla famiglia di modelli Tiny Aya fino a Command A Translate. Il modello è solo testo in entrambe le direzioni, con un contesto di ingresso di 16K token e un limite di uscita di 16K token, e Cohere indica il supporto per più di 50 lingue. L’hardware minimo è una GPU B200 o due GPU H100 con quantizzazione W4A4.

Benchmark segnalati da Cohere, velocità di elaborazione e costo

Cohere ha riportato un punteggio WMT26 su tutte le lingue di 83,60 per North Small Translate, che sale a 84,36 per una variante multi-pass agente che l’azienda afferma possa individuare e correggere errori nella traduzione. Nella valutazione di Cohere, che ha utilizzato GPT-5.6-Sol come giudice, Qwen 3.5 397B A17B ha ottenuto 81,56, DeepL NextGen 81,37, Gemma 4 31B (on) 79,46, GLM 5.2 FP8 76,50 e Google Translate 68,20.

Il benchmark WMT valuta le capacità generali dei sistemi di traduzione automatica su un’ampia gamma di lingue, domini, generi e modalità, e la sua metodologia di punteggio considera i risultati da 80 a 100 come perfetti o con solo errori minori. Cohere ha descritto North Small Translate come il modello di traduzione automatica dedicato con le migliori prestazioni nella valutazione, aperto o chiuso, in media su tutte le lingue, e ha affermato che si comporta bene su 32 lingue ad alta risorsa e altre 18 lingue.

A livello regionale, Cohere ha segnalato che il modello ha superato Gemma 4 31B (on) in Europa, 82,2 contro 73,9, mentre è rimasto sostanzialmente pari in Sud Asia, 86,2 contro 86,7. Cohere ha affermato che entrambe le versioni hanno anche superato DeepL NextGen in tutte le regioni non europee testate: di circa 8‑10 punti in Sud Asia e MENA, circa 4‑5 punti nel Sud‑Est asiatico, e 1‑3 punti in Asia orientale, dove il modello standard si avvicinava al punteggio 85,41 di DeepL.

Nella valutazione a lungo contesto di Cohere, che misura quanto bene un modello traduca due capitoli di un libro in una singola chiamata con qualità per paragrafo valutata tramite xComet-XL, North Small Translate ha ottenuto 48,9 contro 21,3 per Google Translate e 19,4 per Gemma 4 31B. Cohere ha descritto questo risultato come più del doppio di entrambe le baseline e superiore a tutti i LLM a scopo generale testati.

Nei test interni di throughput con livelli di concorrenza e configurazioni hardware identici, Cohere ha misurato una velocità di output fino a 1,4 volte superiore rispetto a Gemma 4 31B TP1: 112 contro 81 token prodotti al secondo a bassa concorrenza e 39 contro 30 a alta concorrenza, che l’azienda ha quantificato in un aumento del 30‑38 percento di token generati al secondo.

Per le imprese che valutano licenze commerciali, Cohere ha riportato un punteggio di 80,1 a $0,000676 per task utilizzando in media 661 token. L’azienda ha elencato Gemini 3.1 Pro Preview (high) a $0,038928 per task, indicato come un aumento del 5.762 percento, e Qwen 3.5 397B A17B e il proprio Command A+ a $0,004525 e $0,005158 per task, utilizzando prezzi per token o per carattere tratti dai siti web dei fornitori dei modelli.

Architettura e copertura linguistica

La model card descrive North Small Translate come un Transformer a mix di esperti sparso, solo decoder, con 128 esperti, di cui otto si attivano per token, insieme a esperti condivisi applicati a ogni token. Gli strati di attenzione alternano attenzione a finestra scorrevole (dimensione finestra 4096, con Rotary Positional Embeddings) con strati di attenzione globale senza embedding posizionali in un rapporto 3:1, un design introdotto per la prima volta in Command A. Il router applica un’attivazione sigmoid sui logit degli esperti e normalizza sui top‑k selezionati. Il modello è stato post‑addestrato specificamente per la qualità della traduzione.

Mentre l’annuncio parla di supporto per più di 50 lingue, la model card elenca esattamente 50 lingue, tra cui inglese, arabo, francese, tedesco, hindi, giapponese, coreano, russo, ucraino, vietnamita e cinese semplificato e tradizionale. La documentazione di Cohere descrive la copertura come inglese più più di 50 varianti di lingua e locale, indica arabo standard moderno, tedesco, francese, giapponese, coreano, russo e ucraino come lingue di primo livello, e elenca varianti locali come arabo egiziano, arabo standard moderno e arabo saudita, portoghese del Portogallo, serbo cirillico e norvegese bokmål.

Licenza, accesso e partnership con RWS

I pesi sono protetti su Hugging Face: i downloader devono accettare di condividere le proprie informazioni di contatto, e l’uso è regolato dalla licenza CC BY-NC 4.0 insieme all’Acceptable Use Policy di Cohere Labs. Sono disponibili tre varianti di quantizzazione: BF16 (quattro B200 o otto H100 GPU), FP8 (due B200 o quattro H100), e NVFP4 W4A16 (una B200 o due H100), che la model card indica come i checkpoint che Cohere fornisce in produzione. Uno Hugging Face Space ospitato offre una demo del modello.

Il modello è inoltre disponibile sul tier gratuito dell’API di Cohere tramite l’API Chat V2 con ID modello north-small-translate-1-0, gratuito fino al raggiungimento dei limiti di utilizzo, con licenze commerciali e distribuzione disponibili tramite il Model Vault di Cohere con hardware consigliato di due H100 GPU o una B200. La documentazione di Cohere elenca casi d’uso tra cui gestione della conoscenza, documentazione di sicurezza e operazioni, comunicazione interna e localizzazione e supporto clienti.

Cohere ha dichiarato che North Small Translate è stato sviluppato in partnership con RWS, una società di soluzioni AI nel settore della tecnologia linguistica e dei servizi, i cui team di ricerca e scienza di Language Weaver e gli esperti linguistici hanno contribuito a definire le prestazioni di traduzione del modello nel mondo reale durante lo sviluppo. L’azienda afferma che RWS collabora con oltre l’80 percento dei 100 principali brand mondiali, e che le imprese che necessitano di una piattaforma dedicata alla traduzione e localizzazione possono accedere al modello tramite il prodotto Language Weaver di RWS.

Secondo il resoconto del 1° giugno 2026 di Cohere sulla collaborazione, Cohere ha chiesto a RWS di testare Command A Translate nel luglio 2025, e entro settembre 2025 i due team avevano iniziato a lavorare su un modello di traduzione specializzato che, secondo il post, ha alimentato Language Weaver Pro di RWS. Cohere ha riferito che Language Weaver Pro ha ottenuto il 55 percento di vittorie a livello di frase rispetto a DeepL NextGen nelle valutazioni umane e ha superato i concorrenti nei benchmark automatizzati in 31 delle 32 lingue comunemente usate nei settori aziendali. Il CEO di RWS, Ben Faes, ha descritto il modello alla base di Language Weaver Pro come il cervello del prodotto.