Cohere lanserar öppenviktad 218B Mixture-of-Experts maskinöversättningsmodell

Cohere släppte North Small Translate den 10 september 2026, en öppenviktad mixture-of-experts maskinöversättningmodell med totalt 218 miljarder parametrar och 25 miljarder aktiva parametrar, licensierad för forskning och icke‑kommersiell användning under CC BY-NC 4.0.

Cohere beskrev North Small Translate som sin första översättningsmodell i North‑modellsfamiljen, byggd på en flerspråkig och översättningslinje som sträcker sig från Tiny Aya‑modellsfamiljen till Command A Translate. Modellen är enbart text i båda riktningarna, med ett inmatningssammanhang på 16 K‑token och en utmatningsgräns på 16 K‑token, och Cohere anger stöd för mer än 50 språk. Minsta hårdvara är en B200‑GPU eller två H100‑GPU:er vid W4A4‑kvantisering.

Cohere‑rapporterade benchmarkresultat, genomströmning och kostnad

Cohere rapporterade ett WMT26‑resultat för alla språk på 83,60 för North Small Translate, vilket steg till 84,36 för en agentisk multi‑pass‑variant som företaget säger kan hitta och rätta fel i översättningen. I Cohere:s utvärdering, som använde GPT‑5.6‑Sol som domare, fick Qwen 3.5 397B A17B 81,56, DeepL NextGen 81,37, Gemma 4 31B (on) 79,46, GLM 5.2 FP8 76,50 och Google Translate 68,20.

WMT‑benchmarken utvärderar de allmänna förmågorna hos maskinöversättningssystem över ett brett spektrum av språk, domäner, genrer och modaliteter, och dess poängmetodik betraktar poäng mellan 80 och 100 som perfekta eller med endast mindre fel. Cohere beskrev North Small Translate som den bäst presterande dedikerade maskinöversättningsmodellen i utvärderingen, oavsett om den är öppen eller sluten, i genomsnitt över alla språk, och sade att den presterar starkt över 32 högresursspråk och 18 ytterligare språk.

På regional nivå rapporterade Cohere att modellen slog Gemma 4 31B (on) i Europa, 82,2 mot 73,9, medan den var i princip lika i Sydasien, 86,2 mot 86,7. Cohere sade att båda versionerna också överträffade DeepL NextGen i varje icke‑europeisk region som testades: med ungefär 8–10 poäng i Sydasien och MENA, cirka 4–5 poäng i Sydostasien och 1–3 poäng i Östasien, där standardmodellen närmade sig DeepL:s 85,41‑poäng.

I Cohere:s lång‑kontext‑utvärdering, som mäter hur väl en modell översätter två kapitel i en bok i ett enda anrop med per‑paragraf‑kvalitet poängsatt via xComet‑XL, fick North Small Translate 48,9 jämfört med 21,3 för Google Translate och 19,4 för Gemma 4 31B. Cohere beskrev resultatet som mer än dubbelt så högt som båda baslinjerna och framför alla generella LLM‑modeller som testades.

I intern genomströmningstestning under identiska samtidighetsnivåer och hårdvarukonfigurationer mätte Cohere upp till 1,4 gånger högre utdata‑genomströmning än Gemma 4 31B TP1: 112 mot 81 utdata‑token per sekund vid låg samtidighet och 39 mot 30 vid hög samtidighet, vilket företaget angav som 30–38 % fler token genererade per sekund.

För företag som utvärderar kommersiella licenser rapporterade Cohere ett resultat på 80,1 vid $0,000676 per uppgift med i genomsnitt 661 token. Företaget listade Gemini 3.1 Pro Preview (high) till $0,038928 per uppgift, vilket motsvarar 5 762 % mer, samt Qwen 3.5 397B A17B och sin egen Command A+ till $0,004525 respektive $0,005158 per uppgift, med pris per token eller per tecken enligt modellleverantörernas webbplatser.

Arkitektur och språkomfattning

Modellkortet beskriver North Small Translate som en enbart‑decoder‑spars mixture-of-experts‑Transformer med 128 experter, varav åtta aktiveras per token, tillsammans med delade experter som tillämpas på varje token. Uppmärksamhetslagren växlar mellan glidande‑fönster‑uppmärksamhet (fönsterstorlek 4096, med Rotary Positional Embeddings) och globala uppmärksamhetslager utan positions‑embedding i ett förhållande 3:1, en design som först introducerades i Command A. Routern använder en sigmoid‑aktivering på expert‑logits och normaliserar över de valda top‑k. Modellen eftertränades specifikt för översättningskvalitet.

Där meddelandet beskriver stöd för mer än 50 språk, listar modellkortet exakt 50, inklusive engelska, arabiska, franska, tyska, hindi, japanska, koreanska, ryska, ukrainska, vietnamesiska samt förenklad och traditionell kinesiska. Cohere:s dokumentation beskriver täckningen som engelska plus mer än 50 språk‑ och lokalvariant, namnger Modern Standard Arabic, tyska, franska, japanska, koreanska, ryska och ukrainska som tier‑one‑språk, och listar lokalvarianter såsom egyptisk, modern standard och saudisk arabiska, portugisisk (Portugal), kyrillisk serbiska och norskt bokmål.

Licensiering, åtkomst och RWS‑partnerskap

Vikterna är begränsade på Hugging Face: nedladdare måste godkänna att dela sin kontaktinformation, och användningen styrs av CC BY-NC 4.0‑licensen tillsammans med Cohere Labs’ Acceptable Use Policy. Tre kvantiseringsvarianter finns tillgängliga: BF16 (fyra B200‑ eller åtta H100‑GPU:er), FP8 (två B200‑ eller fyra H100‑GPU:er) och NVFP4 W4A16 (en B200‑ eller två H100‑GPU:er), vilket modellkortet anger är de checkpoints som Cohere levererar i produktion. Ett hostat Hugging Face Space erbjuder en demo av modellen.

Modellen levereras också via Cohere:s API‑gratisnivå genom Chat V2‑API:n under modell‑ID:n north-small-translate-1-0, gratis tills hastighetsgränserna nås, med kommersiell licensiering och distribution tillgänglig via Cohere:s Model Vault med rekommenderad hårdvara två H100‑GPU:er eller en B200. Cohere:s dokumentation listar användningsfall såsom kunskapshantering, säkerhets‑ och drift‑dokumentation, intern kommunikation samt lokalisering och kundsupport.

Cohere uppgav att North Small Translate utvecklades i samarbete med RWS, ett AI‑lösningsföretag inom språk‑teknik och tjänster vars Language Weaver‑forsknings‑ och vetenskapsteam samt språkspecialister bidrog till att forma modellens verkliga översättningsprestanda under utvecklingen. Företaget påstår att RWS arbetar med mer än 80 % av världens 100 största varumärken, och att företag som behöver en dedikerad översättnings‑ och lokaliseringplattform kan få åtkomst till modellen via RWS:s Language Weaver‑produkt.

Enligt Cohere:s redogörelse den 1 juni 2026 om samarbetet bad Cohere RWS testa Command A Translate i juli 2025, och i september 2025 hade de två teamen påbörjat arbetet med en specialiserad översättningsmodell som inlägget sade drev RWS:s Language Weaver Pro. Cohere rapporterade att Language Weaver Pro uppnådde 55 % övergripande mening‑nivå‑vinster mot DeepL NextGen i mänskliga utvärderingar och överträffade konkurrenterna i automatiserade benchmark‑tester i 31 av 32 språk som vanligtvis används inom företagssektorn. RWS:s VD Ben Faes beskrev modellen bakom Language Weaver Pro som hjärnan bakom produkten.