Det här har Cohere släppt
Cohere släppte den 10 september North Small Translate 1.0, en renodlad modell för maskinöversättning vars vikter kan laddas ner från Hugging Face. Det är en gles mixture-of-experts-modell med totalt 218 miljarder parametrar, varav omkring 25 miljarder är aktiva för varje token, och den klarar mer än 50 språk, enligt Coheres tillkännagivande.
Modellkortet, publicerat under Cohere Labs, beskriver en transformer av decoder-only-typ med 128 experter, varav åtta aktiveras per token tillsammans med delade experter. Modellen tar emot upp till 16 000 token indata och levererar upp till 16 000 token utdata, och hanterar bara text. Cohere uppger att den minsta kvantiserade konfigurationen körs på ett enda Nvidia B200 eller två H100; den fullprecisa BF16-versionen kräver åtta H100 eller fyra B200.
Öppna vikter, men inte för affärer
Licensen spelar större roll än vanligt här. North Small Translate publiceras under Creative Commons CC BY-NC 4.0. Vikterna är öppna i den meningen att vem som helst kan ladda ner, granska, finjustera och köra dem lokalt. ”NC” betyder icke-kommersiell: forskning och privat användning är tillåten, men att bygga in modellen i en betalprodukt eller i ett företags egna arbetsflöden är det inte. Modellen har alltså öppna vikter men är inte öppen källkod i ordets vanliga mening, och Unite.ai påpekar att åtkomsten på Hugging Face kräver att man fyller i ett kontaktformulär.
Företag har en separat väg. Enligt Coheres blogg går kommersiell användning via RWS, vars forskarteam på Language Weaver har arbetat med modellen och vars produkt Language Weaver erbjuder den. Modellkortet hänvisar den som vill använda modellen kommersiellt till Coheres säljteam. Forskare får modellen gratis; betalande kunder går via Cohere och RWS.
Siffrorna, och vem som tagit fram dem
Coheres huvudpåstående är att modellen slår renodlade översättningstjänster. I företagets egen utvärdering på testdata från WMT26 fick North Small Translate 83,60 sammantaget för alla språk, och 84,36 i ett agentiskt läge med flera genomgångar där modellen letar efter fel i sin egen översättning och rättar dem. I samma tabell placerar Cohere Qwen 3.5 397B på 81,56, DeepL NextGen på 81,37, Gemma 4 31B på 79,46, GLM 5.2 på 76,50 och Google Translate på 68,20.
Det är siffror från tillverkaren själv. WMT är den gemensamma tävling som forskarvärlden använder för att jämföra översättningssystem, men poängsättningen i tabellen är Coheres egen: enligt bloggen bedömdes resultaten av GPT-5.6-Sol, en språkmodell, inte av mänskliga bedömare och inte av den officiella WMT26-rankningen. Ingen utanför Cohere har ännu upprepat jämförelsen. Den regionala uppdelningen, enligt Unite.ai, är dessutom mindre entydig än totalsiffran: North Small Translate ledde över Gemma 4 med 82,2 mot 73,9 på europeiska språk, men Gemma 4 fick något högre poäng i Sydasien, 86,7 mot 86,2.
Cohere redovisar också ett test med lång kontext där varje modell översätter två kapitel ur en bok i ett enda anrop, och varje stycke poängsätts för sig med måttet xCOMET-XL. North Small Translate fick 48,9, mot 21,3 för Google Translate och 19,4 för Gemma 4 31B. Det är den största skillnaden i hela lanseringen, och den som är mest relevant för att översätta hela dokument snarare än enstaka meningar.
Hastighet och kostnad
Cohere uppger att modellen ger ungefär 1,4 gånger så hög utdatahastighet som Gemma 4 31B vid låg samtidighet. Företaget anger också kostnaden för en genomsnittlig översättningsuppgift till 0,000676 dollar, mot 0,038928 dollar för Gemini 3.1 Pro. Precis som kvalitetspoängen är det Coheres siffror från Coheres egen testmiljö.
Att hålla ögonen på
De öppna vikterna är den del som går att kontrollera. Oberoende körningar på offentliga WMT26-data, och tävlingens egna resultat, kommer att visa om försprånget mot DeepL och Qwen håller även utanför Coheres poängsättning med en språkmodell som domare. Resultatet för lång kontext är det som mest förtjänar att testas, eftersom det är där Cohere hävdar den största marginalen.
