Modelos
Cohere lanza North Small Translate, un traductor de pesos abiertos que supera a DeepL y a Google Translate
Cohere ha presentado North Small Translate, un modelo de traducción automática con arquitectura mixture-of-experts (mezcla de expertos) que cubre más de 50 idiomas. Según los datos oficiales de la compañía, encabeza el benchmark (prueba de rendimiento) WMT26 con 83,60 puntos y deja por detrás a rivales muy superiores en tamaño como Qwen 3.5 397B A17B o a servicios comerciales como DeepL NextGen y Google Translate. Los pesos del modelo están disponibles para investigación y uso no comercial.
Recibe el resumen diario de IA
Cada mañana, lo esencial de la inteligencia artificial en tu correo, sin humo. Al día con la IA.
Al suscribirte aceptas recibir el newsletter de AI Informator. Puedes darte de baja cuando quieras.
En resumen
- North Small Translate obtiene 83,60 en el benchmark WMT26 All Languages, por delante de Qwen 3.5 397B A17B (81,56), DeepL NextGen (81,37), Gemma 4 31B on (79,46), GLM 5.2 FP8 (76,50) y Google Translate (68,20).
- La variante Agentic, capaz de detectar y corregir sus propios errores de traducción, sube la puntuación hasta 84,36.
- El modelo cubre 32 idiomas de altos recursos y 18 adicionales, y alcanza hasta 1,4 veces más throughput (rendimiento de salida) que Gemma 4 31B TP1 en el mismo hardware.
- Los pesos se publican para uso de investigación y no comercial, en varias cuantizaciones prácticamente sin pérdida de calidad.
El modelo lidera el benchmark WMT26 con menos parámetros que sus rivales
La cifra que resume el lanzamiento es 83,60 puntos en WMT26 All Languages, la evaluación de referencia del sector para traducción automática. Ese resultado sitúa a North Small Translate por delante de Qwen 3.5 397B A17B (81,56) y de DeepL NextGen (81,37), y a una distancia considerable de Google Translate (68,20). La evaluación de WMT 2026 empleó GPT-5.6-Sol como juez automático.
El detalle relevante no es solo la posición, sino la diferencia de escala. Un modelo denominado Small se impone a un sistema de 397.000 millones de parámetros totales, lo que apunta a que la especialización en una tarea concreta sigue rindiendo mejor que el aumento indiscriminado de tamaño. La variante Agentic, que revisa y corrige su propia salida antes de entregarla, eleva la puntuación a 84,36.
Las mayores ventajas aparecen fuera de Europa y en textos largos
Por regiones, el modelo supera a Gemma 4 31B (on) en Europa con 82,2 frente a 73,9, y queda prácticamente igualado en el sur de Asia (86,2 frente a 86,7). Frente a DeepL NextGen gana en todas las regiones no europeas evaluadas (MENA, es decir, Oriente Medio y Norte de África, además del sur de Asia, el sudeste asiático y el este de Asia), con ventajas de entre 8 y 10 puntos en el sur de Asia y en MENA.
El contraste más llamativo llega en contexto largo, donde North Small Translate puntúa 48,9: más del doble que Google Translate (21,3) y que Gemma 4 31B (19,4). Traducir documentos completos manteniendo coherencia terminológica y de registro es justo lo que fallan los traductores clásicos, pensados para frases sueltas.
El coste de inferencia también forma parte del argumento
Cohere insiste en el rendimiento operativo, un factor que suele decidir despliegues reales. En hardware idéntico, el modelo alcanza hasta 1,4 veces más throughput de salida que Gemma 4 31B TP1: 112 frente a 81 tokens de salida por segundo con baja concurrencia y 39 frente a 30 con alta concurrencia, es decir, entre un 30 % y un 38 % más de tokens por segundo.
La publicación de los pesos en varias cuantizaciones casi sin pérdida refuerza esa lectura. La cuantización reduce la precisión numérica del modelo para que ocupe menos memoria y responda más rápido, lo que abre la puerta a ejecutarlo en infraestructura propia sin depender de una API externa.
La licencia limita el uso comercial de los pesos
Conviene leer la letra pequeña: los pesos se publican para uso de investigación y no comercial, no bajo una licencia abierta permisiva. Es el patrón habitual en lo que la industria denomina open-weight (pesos abiertos), donde se puede descargar, inspeccionar y ejecutar el modelo, pero no explotarlo comercialmente sin acuerdo previo.
Cohere enmarca el lanzamiento dentro de su discurso de soberanía tecnológica: poder ejecutar la traducción en las instalaciones del propio cliente resulta determinante para administraciones públicas y sectores regulados que no pueden enviar documentos a servidores de terceros. Este es, además, el primer modelo de traducción de la familia North.
Conclusión
North Small Translate llega en un momento en que la traducción automática parecía un problema resuelto y repartido entre dos o tres proveedores comerciales. Los datos que aporta Cohere apuntan en otra dirección: un modelo compacto, ejecutable en infraestructura propia y con ventaja clara en idiomas menos atendidos y en documentos largos. La restricción a uso no comercial limita por ahora su adopción industrial, pero marca el terreno de juego para los próximos meses, donde la competencia ya no se decidirá solo por la calidad de la traducción, sino por dónde y a qué coste puede ejecutarse.
Fuentes primarias
Recibe el resumen diario de IA
Cada mañana, lo esencial de la inteligencia artificial en tu correo, sin humo. Al día con la IA.
Al suscribirte aceptas recibir el newsletter de AI Informator. Puedes darte de baja cuando quieras.
Comentarios