Cohere muscle la traduction automatique avec un modèle open-weight

Cohere a publié North Small Translate, un modèle de traduction automatique open-weight conçu avec Cohere Labs et positionné comme le premier membre de la famille North. Il couvre 50 langues, repose sur une architecture sparse Mixture-of-Experts et affiche 218 milliards de paramètres au total, dont 25 milliards activés par requête. La promesse compte pour les entreprises qui veulent traduire des documents techniques ou commerciaux sans dépendre uniquement des grands services fermés.

Une traduction pensée pour les usages sérieux, pas pour les slogans

Le modèle n’est pas présenté comme un simple assistant multilingue, mais comme un outil dédié à la traduction. Cohere dit l’avoir post-entraîné spécifiquement pour améliorer la qualité de traduction, avec l’appui de RWS, dont les spécialistes de Language Weaver ont participé à l’évaluation de la qualité en conditions réelles. En clair, l’objectif n’est pas de “parler un peu toutes les langues”, mais de limiter les contresens quand un contrat, une note produit ou un manuel doit rester exact. Une petite différence, qui évite parfois de gros problèmes.

Sur le plan technique, North Small Translate suit une logique de calcul parcimonieux : 128 experts, 8 activés par jeton, des couches d’attention à fenêtre glissante de 4 096 tokens alternées avec des couches globales, et une fenêtre de contexte de 16K tokens en entrée comme en sortie. Cohere avance aussi qu’environ 11,5 % des poids sont actifs à chaque token, ce qui réduit le coût de calcul par rapport à un modèle dense de taille comparable, sans supprimer la contrainte mémoire liée aux 218 milliards de paramètres.

Des scores maison élevés, mais à lire avec prudence

Cohere met surtout en avant ses résultats sur WMT26, une évaluation interne basée sur un juge GPT-5.6-Sol. Le modèle standard obtient 83,6 de moyenne sur l’ensemble des langues, quand la variante Agentic monte à 84,36 grâce à un workflow en plusieurs passes qui corrige ses propres erreurs. L’éditeur affirme dépasser DeepL, Google Translate et plusieurs modèles ouverts comme GLM 5.2 ou Mistral Large 3 [à vérifier], mais ces comparaisons restent pour l’instant des mesures publiées par Cohere lui-même.

Les chiffres régionaux suivent la même tendance. Sur les langues européennes, North Small Translate atteint 82,17 contre 72,73 pour Gemma 4 31B (on), selon les données publiées par Cohere. En Asie du Sud, l’écart se resserre : 86,16 pour North contre 88,04 pour Gemma. Autrement dit, le modèle se montre particulièrement solide sur l’Europe, mais il ne surclasse pas partout ses rivaux. L’histoire n’est donc pas celle d’un rouleau compresseur, plutôt d’un concurrent sérieux qui vient compliquer la hiérarchie.

Vitesse, longs documents et coût : le vrai terrain de bataille

Sur la production industrielle, Cohere insiste sur trois points : débit, longueur des textes et prix. Dans ses tests, North Small Translate génère 112 jetons par seconde à faible concurrence, contre 81 pour Gemma 4 31B, puis 39 contre 30 à forte concurrence. Pour les documents longs, l’écart est encore plus net : le modèle obtient 48,9 sur la traduction de deux chapitres en une seule passe, contre 21,3 pour Google Translate et 19,4 pour Gemma 4 31B, avec une qualité mesurée par paragraphe via xCOMET-XL.

La facture annoncée est elle aussi mise en avant. Cohere dit obtenir un score de 80,1 pour 0,000676 dollar par tâche, sur une moyenne de 661 tokens. À titre de comparaison, Gemini 3.1 Pro Preview (high) ressort à 0,038928 dollar par tâche dans le tableau fourni par l’éditeur, soit environ 58 fois plus cher. Le message est clair : la bataille de la traduction IA ne se joue plus seulement sur la fidélité, mais sur la vitesse d’exécution et le coût de traitement.

Un modèle déjà déployable, en API ou sur site

North Small Translate est disponible via l’API Chat V2 de Cohere, gratuitement jusqu’aux limites de débit. L’éditeur propose aussi un self-hosting non commercial et une licence commerciale. Pour le déploiement, Cohere publie trois checkpoints : BF16 sur 4x B200 ou 8x H100, FP8 sur 2x B200 ou 4x H100, et NVFP4 W4A16 sur 1x B200 ou 2x H100. La contrainte matérielle reste sérieuse, mais elle rend le modèle plus concret pour des organisations qui veulent garder la main sur leurs données de traduction.

Le choix de revenir à la traduction pure n’est pas anodin. Le sujet touche à la souveraineté numérique, comme le résume Cohere dans sa communication : une organisation qui ne peut pas communiquer globalement ne reste pas souveraine bien longtemps. Sur ce terrain, la traduction automatique n’est plus un gadget de voyage, mais un maillon d’infrastructure, entre production documentaire, relation client et circulation interne de l’information.