Cohere lança North Small Translate com pesos abertos
A Cohere lançou o North Small Translate, modelo aberto de tradução com 218B de parâmetros. Veja benchmarks, requisitos de GPU e custos de uso.
Modelo de 218 bilhões de parâmetros mira soberania de dados para empresas, mas exige servidores pesados e licença comercial paga.
A Cohere lançou o North Small Translate em 10 de setembro de 2026. É o primeiro modelo da desenvolvedora canadense criado exclusivamente para tradução automática de texto. A empresa publicou os arquivos de pesos na plataforma Hugging Face sob licença não comercial CC BY-NC 4.0. A proposta atrai corporações que precisam traduzir contratos e documentos sigilosos sem enviar dados para APIs de terceiros na nuvem.
Primeiro: como funciona o North Small Translate
O modelo tem pesos abertos, o que significa que qualquer pesquisador pode baixar os arquivos para estudar ou rodar em laboratório. Ele não é código aberto tradicional, porque a licença proíbe uso comercial direto sem autorização.
Por dentro, o sistema usa uma arquitetura conhecida como Mixture-of-Experts (MoE), ou mistura de especialistas. Em vez de acionar toda a rede para cada palavra, o modelo divide o trabalho entre 128 blocos menores. Para cada token gerado, apenas 8 blocos são ativados, além de especialistas compartilhados. No total, a rede reúne 218 bilhões de parâmetros, mas apenas 25 bilhões trabalham a cada instante. Isso reduz o gasto computacional na hora de gerar texto sem encolher o vocabulário. O treinamento contou com parceria técnica da divisão Language Weaver, da RWS, para calibração corporativa. A Cohere não informou o tamanho nem a composição exata da base de dados utilizada.
Desempenho nos testes: promessa contra a realidade
Nos testes acadêmicos do benchmark WMT26, a Cohere reportou média de 83,60 pontos em tradução direta e 84,36 pontos quando usou um fluxo com verificação e correção automática de erros em múltiplos passos. Segundo a empresa, o sistema superou ferramentas consagradas em mais de 50 idiomas.
Esses números pedem cautela. Todas as métricas foram medidas internamente pela própria Cohere, sem auditoria externa independente em produção. O marketing da empresa deu destaque à vantagem sobre o Google Tradutor, que marcou 68,20 pontos. Quando a comparação é feita contra o DeepL NextGen, que obteve 81,37 pontos, a vantagem da Cohere cai para apenas 2,23 pontos.
Para textos extensos, o modelo aceita até 16 mil tokens de entrada e 16 mil de saída. Em avaliação interna com dois capítulos de livro analisados pela métrica xComet-XL, a Cohere registrou 48,9 pontos, contra 21,3 do Google Tradutor e 19,4 do modelo Gemma 4 31B.
Requisitos de hardware e licença comercial
Rodar o sistema dentro de casa exige infraestrutura pesada. A versão mais compacta com quantização (NVFP4 W4A16) precisa de pelo menos uma GPU Nvidia B200 ou duas placas H100. As versões de precisão total, como FP8 ou BF16, pedem entre duas e oito GPUs dessas para funcionar.
A licença gratuita no Hugging Face serve apenas para pesquisa acadêmica. Empresas que quiserem colocar o North Small Translate em produção precisam fechar contratos no ambiente privado Cohere Model Vault ou usar a API comercial da desenvolvedora. A empresa estimou o custo de inferência na API em cerca de US$ 0,000676 para uma tarefa de 661 tokens.
Para quem serve e o que ainda falta saber
O modelo serve para equipes de pesquisa linguística e grandes empresas que já possuem clusters de GPUs corporativas e precisam manter documentos confidenciais sob controle estrito. Não serve para pequenas equipes ou negócios sem infraestrutura dedicada de hardware. Ainda falta saber como o modelo se comporta em testes cegos conduzidos por auditores independentes e qual será a latência real em cargas pesadas de trabalho.