Cohere Releases North Small Translate: A 218B MoE Translation Model That Scores 83.6 on WMT26 Across 50 Languages

Cohere 與 Cohere Labs 近日推出一款全新的機器翻譯模型 North Small Translate，並以開放權重形式對外釋出，明確鎖定多語系翻譯任務。這款模型最大的特色，在於採用稀疏混合專家（Sparse Mixture of Experts, MoE）架構，總參數量達 218B，但在每一次推理時僅啟動其中 25B 的活躍參數，藉由這種「大模型、小啟動」的設計，在大型模型的表現力與實際運算效率之間取得平衡。從架構角度來看，混合專家架構的核心概念，是把模型內部的運算能力切分為多個專家模組，並透過路由機制，在處理每一個輸入時只挑選其中一部分專家參與計算。

North Small Translate 將這樣的機制推向 218B 的總參數規模，卻把單次推理的活躍參數控制在 25B，意味著模型雖然擁有龐大的整體知識容量，實際執行時所需的運算量卻遠低於同等總參數的密集模型。對需要部署翻譯服務的團隊而言，這直接關係到推論成本與硬體配置的可行性，也讓如此規模的模型不再只是實驗室裡的展示品。根據官方公布的評測數據，North Small Translate 在 WMT26 翻譯基準測試中拿下 83.6 分，支援語言範圍涵蓋 50 種。這項成績與其稀疏 MoE 的設計相互對照，顯示模型並沒有因為每次只啟動部分參數而犧牲翻譯品質。

換句話說，專家分工的方式讓運算資源得以集中在處理當下所需的語言與語意路線上，而不是讓所有參數對每一個字詞都平均出力。稀疏啟用之所以能在翻譯任務上奏效，與翻譯工作的特性有關。不同語言之間的詞序、語法結構與語意對應關係差異極大，模型在處理某一組語言方向時，真正需要動用的知識往往只是整體參數中的一小部分。若能把運算導向與當下語言組合最相關的專家，就有機會在維持品質的同時壓低每次推論的負擔。North Small Translate 在 WMT26 上的表現，正是這種設計思路的一次具體驗證。這款模型的推出，也進一步補足 Cohere 在開放語言模型生態中的多語翻譯能力。

過去 Cohere 在開放權重模型領域已有佈局，而 North Small Translate 的加入，讓翻譯這項對跨語言應用至關重要的能力，有了更完整的對應方案。對於需要建制多語服務的產品團隊來說，一個涵蓋 50 種語言、且以開放權重釋出的翻譯模型，意味著可以在自己的環境中進行部署與調整，而不必完全依賴封閉的雲端 API。官方特別指出，North Small Translate 在低資源語言的處理上展現顯著進展。低資源語言長期是機器翻譯系統的弱項，原因在於這類語言可取得的訓練資料相對有限，模型難以從中學到足夠的語言規律與對應關係，導致翻譯品質明顯落後於英語、中文等資料充沛的語言。

Cohere 此次把低資源語言的表現列為重點，顯示其試圖處理多語翻譯中最難被解決的一塊。當一個模型能夠覆蓋 50 種語言，其中必然包含資料量落差極大的語言組合。對開發者與研究社群而言，開放權重的意義不只是取得一個可用的翻譯工具，更在於能夠檢視、微調與延伸這套模型的行為。研究人員可以針對特定語言對進行測試與改良，開發者則能依照自身產品需求調整推論流程，這些都是封閉模型難以提供的空間。Cohere 以開放權重釋出涵蓋 50 種語言的翻譯模型，也為需要多語能力的開發者與研究社群提供了新的選擇。

在跨語言應用持續增加的環境下，無論是內容在地化、跨境服務、文件翻譯或使用者生成內容的處理，都需要穩定且可負擔的翻譯能力。一個總參數達 218B、單次僅啟動 25B 參數的模型，正好回應了「品質要夠好、成本要能負擔」這兩項往往互相拉扯的需求。整體而言，North Small Translate 的意義可以從三個層面理解。在架構層面，它展示了稀疏混合專家如何把龐大的參數規模轉化為可控的推論成本；在評測層面，WMT26 的 83.

6 分成績與 50 種語言的覆蓋範圍，說明稀疏設計並未成為品質的絆腳石；在生態層面，開放權重的釋出則讓 Cohere 的多語翻譯能力得以進入更多開發者與研究者的工作流程之中。隨著多語系應用成為常態，翻譯模型的競爭焦點也從單純追求分數，逐漸轉向能否在真實環境中穩定運行。North Small Translate 以稀疏 MoE 架構與開放權重形式登場，連同其在低資源語言上的進展，為這場競爭提供了一個值得關注的方向。