Cohere muscle la traduction automatique avec North Small Translate

Cohere a présenté le 10 septembre 2026 North Small Translate, un modèle de traduction automatique open-weight qui compte 218 milliards de paramètres au total, dont 25 milliards actifs à l’inférence. Le modèle, réservé à la recherche et aux usages non commerciaux sous licence CC BY-NC 4.0, est le premier traducteur de la famille North et s’inscrit dans la lignée multilingue de Tiny Aya puis Command A Translate. Son enjeu est simple : proposer une traduction dédiée, plutôt qu’un grand modèle généraliste qui sait aussi traduire. Ça change la facture, et parfois la qualité.

Une architecture pensée pour la traduction, pas pour le décor

North Small Translate repose sur un Transformer sparse de type Mixture-of-Experts, ou MoE : 128 experts existent dans le modèle, mais seulement huit s’activent par jeton, avec des experts partagés appliqués à chaque token. Cohere ajoute un découpage de l’attention en couches locales et globales, avec une fenêtre de 4 096 tokens, et annonce un contexte d’entrée de 16K tokens comme une sortie plafonnée à 16K. Le modèle est text-only dans les deux sens, et Cohere dit l’avoir post-entraîné spécifiquement pour améliorer la qualité de traduction.

Sur le papier, la couverture linguistique dépasse 50 langues, même si la carte du modèle en énumère 50 exactement, dont l’anglais, l’arabe, le français, l’allemand, l’hindi, le japonais, le coréen, le russe, l’ukrainien, le vietnamien et le chinois simplifié et traditionnel. La documentation parle aussi de variantes locales, comme l’arabe égyptien ou saoudien, le portugais du Portugal, le serbe cyrillique et le norvégien bokmål. Bref, pas seulement les langues qui font joli sur une brochure.

Des scores internes qui visent DeepL, Google et les grands modèles

Dans ses propres évaluations WMT26, Cohere attribue à North Small Translate un score de 83,60 sur l’ensemble des langues, contre 81,56 pour Qwen 3.5 397B A17B, 81,37 pour DeepL NextGen, 79,46 pour Gemma 4 31B, 76,50 pour GLM 5.2 FP8 et 68,20 pour Google Translate. Une variante dite agentic, capable selon Cohere de relire un texte et de corriger ses propres erreurs en plusieurs passes, monte à 84,36. Ces résultats restent des mesures publiées par l’éditeur, avec GPT-5.6-Sol comme juge, donc [à vérifier] tant qu’aucune validation indépendante n’a confirmé ces écarts.

Cohere affirme aussi que son modèle domine sur certains sous-ensembles régionaux. En Europe, il annonce 82,2 contre 73,9 pour Gemma 4 31B ; en Asie du Sud, 86,2 contre 86,7, donc quasiment à égalité. Hors Europe, la société dit dépasser DeepL NextGen d’environ 8 à 10 points en Asie du Sud et au Moyen-Orient et en Afrique du Nord, de 4 à 5 points en Asie du Sud-Est, et de 1 à 3 points en Asie de l’Est, où le modèle standard se rapproche des 85,41 points de DeepL.

Les longs documents restent son terrain préféré

Le modèle ne se contente pas de bons scores sur les phrases isolées. Dans un test interne de longs contextes, Cohere lui fait traduire deux chapitres d’un livre en une seule requête, puis évalue chaque paragraphe avec xCOMET-XL. North Small Translate obtient 48,9, contre 21,3 pour Google Translate et 19,4 pour Gemma 4 31B. La société parle d’un résultat plus que doublé face aux deux références, et d’une avance sur les modèles généralistes testés.

Pour les entreprises, l’autre argument tient à la vitesse. À matériel identique et concurrence égale, Cohere dit mesurer jusqu’à 112 jetons de sortie par seconde à faible concurrence, contre 81 pour Gemma 4 31B TP1, puis 39 contre 30 à forte concurrence. La société revendique ainsi jusqu’à 1,4 fois plus de débit. Côté coût, elle annonce un score de 80,1 pour 0,000676 dollar par tâche, calculé sur 661 jetons en moyenne, quand Gemini 3.1 Pro Preview (high) serait affiché à 0,038928 dollar par tâche. Le modèle devient alors une brique de productivité, pas seulement un objet de benchmark.

Accès, déploiement et partenaire industriel

North Small Translate est disponible sur l’API Chat V2 de Cohere, gratuitement jusqu’aux limites de débit, avec un identifiant de modèle north-small-translate-1-0. Les poids sont aussi accessibles sur Hugging Face, mais sous accès contrôlé : il faut partager ses coordonnées et accepter la licence CC BY-NC 4.0 ainsi que la politique d’usage de Cohere Labs. Pour le déploiement, Cohere publie trois variantes de quantification, avec des besoins allant de quatre B200 ou huit H100 en BF16 à un seul B200 ou deux H100 pour NVFP4 W4A16.

Le lancement s’appuie enfin sur un partenariat avec RWS, société spécialisée dans les technologies et services linguistiques. Cohere explique que ses équipes Language Weaver ont contribué à orienter la performance en conditions réelles, avec un usage revendiqué dans la gestion des connaissances, la documentation de sécurité, la communication interne, la localisation et le support client. RWS dit travailler avec plus de 80 % des 100 plus grandes marques mondiales ; Cohere y voit une porte d’entrée crédible vers les grands comptes qui veulent une traduction dédiée, et pas un modèle généraliste qui fait un peu de tout sans trop broncher.