Cohere lanzado North Small Translate, un modelo MOE de 218B para traducción
El modelo open-weight de 50 idiomas prioriza la privacidad empresarial y la eficiencia sobre las capacidades de razonamiento complejas.
Cohere ha publicado North Small Translate, un modelo de traducción automática de pesos abiertos basado en una arquitectura mixture-of-experts (MOE) con 218.000 millones de parámetros totales, de los cuales 25.000 millones están activos por inferencia. La empresa lo posiciona como una herramienta para organizaciones que necesitan mantener el control sobre sus datos sensibles, ofreciendo soporte para 50 idiomas y destacando su eficiencia computacional frente a modelos de razonamiento más pesados.
Arquitectura y licenciamiento
El modelo utiliza un enfoque no razonante, lo que significa que se apoya en patrones estadísticos aprendidos en lugar de procesos lógicos paso a paso. Según Nick Frosst, cofundador de Cohere, esta decisión reduce significativamente el consumo de tokens. En cuanto a la disponibilidad, los pesos están liberados bajo licencia CC BY-NC 4.0 para uso no comercial, mientras que las empresas pueden desplegarlo a través de Model Vault, el entorno de inferencia gestionado por Cohere, o descargar los pesos directamente de Hugging Face en tres cuantizaciones distintas.
Cohere afirma que North Small Translate supera a otros modelos open-weight de tamaño similar (menos de 1 billón de parámetros) y a servicios de API en varias métricas de traducción. En sus pruebas internas usando los benchmarks WMT26, el modelo obtiene una puntuación de 83.60 en la categoría de todos los idiomas, por encima de Qwen 3.5 (81.56), DeepL NextGen (81.37) y Google Translate (68.20). Frosst destaca especialmente la capacidad del modelo para mantener la coherencia en documentos largos, donde asegura que otros sistemas sufren degradación: en sus tests de contexto largo, North Small Translate logra un 48.9, mientras que Google Translate se queda en 21.3.
El modelo incluye capacidades nativas para manejar documentos estructurados en Markdown o JSON, seguir instrucciones sobre tono y formato, y aplicar guías de terminología específicas. Además, ofrece un modo "agente" que realiza un ciclo de traducción, revisión, detección de errores y corrección, mejorando la puntuación a 84.36 en WMT26 a cambio de un mayor consumo de recursos. Este enfoque multi-paso resulta útil para contratos o manuales de seguridad, aunque para volúmenes altos de traducción estándar, la empresa recomienda la versión de un solo pase por su eficiencia.
El desarrollo se ha realizado en colaboración con RWS, concretamente con sus equipos de investigación de Language Weaver. Frosst argumenta que la próxima fase de la IA empresarial en traducción será más pequeña, especializada y capaz de ejecutarse dentro de las propias infraestructuras de las empresas, evitando que datos regulados o de recursos humanos salgan a terceros a través de APIs externas.
