Cohere lancia North Small Translate, il modello di traduzione AI open che batte DeepL e Google

Cohere ha scelto un terreno che sembrava ormai dominio incontrastato di DeepL e Google Translate, e lo ha fatto con un modello che chiunque può scaricare. Il 10 settembre 2026 il laboratorio canadese ha presentato North Small Translate, un modello di traduzione automatica open weight che nei test ufficiali WMT26 ottiene punteggi superiori sia ai servizi proprietari sia alle principali alternative aperte.

Per un settore in cui la qualità della traduzione automatica era da anni appannaggio di poche piattaforme chiuse, è un segnale che merita attenzione. Se lavori con contenuti multilingua, localizzazione o semplicemente con grandi volumi di testo da tradurre, questo lancio ti riguarda da vicino.

Ecco cos’è North Small Translate, perché i suoi numeri fanno rumore e quali sono i limiti da tenere presenti prima di considerarlo un’alternativa reale agli strumenti che usi oggi.

Che cos’è North Small Translate

North Small Translate è il primo modello dedicato alla traduzione all’interno della famiglia North di Cohere, la linea di prodotti pensata per le aziende. Nasce da una tradizione multilingue che l’azienda coltiva da tempo, dai modelli compatti della famiglia Tiny Aya fino a Command A Translate, e rappresenta un passo avanti verso una traduzione di qualità disponibile ovunque serva.

Sul piano tecnico si tratta di un modello mixture of experts, un’architettura che attiva solo una parte dei propri parametri per ogni richiesta. I numeri complessivi sono importanti, 218 miliardi di parametri totali, ma quelli realmente attivi durante l’inferenza sono 25 miliardi.

Questo approccio permette di ottenere la capacità di un modello molto grande mantenendo costi di calcolo più vicini a quelli di un modello di taglia media. In pratica, paghi la potenza del gigante solo quando ti serve davvero.

La finestra di contesto è di 16 mila token in ingresso e altrettanti in uscita, il modello lavora unicamente su testo e supporta più di cinquanta lingue, suddivise tra trentadue lingue con ampia disponibilità di dati e diciotto lingue aggiuntive. I pesi sono già scaricabili su Hugging Face in diverse quantizzazioni quasi senza perdita, con uno spazio dimostrativo per provarlo e alcune guide di implementazione. Per farlo girare serve però hardware di fascia alta, come una singola GPU B200 oppure due H100 in configurazione ottimizzata.

Il modello si inserisce in un catalogo che Cohere sta ampliando con decisione. Solo di recente l’azienda ha presentato Parse 5 per l’analisi dei documenti, dopo aver rafforzato la propria offerta enterprise con Command R Enterprise, ottimizzato per il RAG. La traduzione era il tassello mancante.

Nei test WMT26 supera DeepL e Google Translate

Il dato che ha fatto notizia arriva dai benchmark WMT26, lo standard di riferimento per valutare i sistemi di traduzione automatica su lingue, domini e generi diversi. Sulla media di tutte le lingue North Small Translate ottiene un punteggio di 83,60.

Per capire cosa significa serve il confronto diretto. DeepL NextGen si ferma a 81,37 e Google Translate a 68,20. Tra i modelli aperti, Qwen 3.5 si attesta a 81,56, Gemma 4 31B a 79,46 e GLM 5.2 a 76,50. Esiste inoltre una versione agentica del modello, capace di individuare e correggere da sola i propri errori di traduzione, che sale ancora fino a 84,36.

Cohere spiega che nella scala di valutazione un punteggio tra 80 e 100 corrisponde a traduzioni perfette o con errori minori, mentre la fascia tra 60 e 80 indica risultati buoni ma con errori importanti. Visto così, il fatto che Google Translate scivoli sotto la soglia dei 70 punti pesa parecchio.

Una qualità più uniforme tra le regioni

Oltre al punteggio medio conta la costanza. Secondo Cohere, North Small Translate è il modello più regolare sull’intero spettro delle regioni linguistiche, senza i crolli improvvisi che colpiscono altri modelli della stessa taglia.

In Europa il distacco dai concorrenti aperti è netto, mentre nell’Asia meridionale il modello viaggia praticamente alla pari con Gemma. Rispetto a DeepL NextGen, invece, il vantaggio si fa più evidente fuori dall’Europa, con margini di otto o dieci punti nell’Asia meridionale e nell’area mediorientale e nordafricana, e distanze più contenute nell’Asia orientale.

C’è poi il capitolo dei testi lunghi, il vero tallone d’Achille di molti traduttori automatici. Nella valutazione sui documenti estesi, che misura la traduzione di due capitoli di un libro in una sola richiesta, il modello ottiene 48,9, più del doppio rispetto a Google Translate, fermo a 21,3. È proprio qui che tanti sistemi generalisti perdono coerenza, ed è qui che un modello specializzato mostra il suo valore.

Più veloce e molto più economico

La qualità, da sola, non basta a convincere chi deve tradurre milioni di parole. Cohere ha lavorato molto anche su velocità ed efficienza, due voci che pesano direttamente sui costi di chi usa la traduzione automatica in produzione.

Nei test interni dell’azienda il modello genera fino a 1,4 volte più token al secondo rispetto a Gemma 4 31B a parità di hardware e di carico, con un vantaggio compreso tra il trenta e il trentotto per cento. Su testi lunghi questo si traduce in tempi di completamento sensibilmente più rapidi.

Ancora più marcato è il divario sui costi. Cohere indica un punteggio di 80,1 a soli 0,000676 dollari per singola attività, contro una spesa che per un modello generalista di fascia alta come Gemini 3.1 Pro può risultare quasi sessanta volte superiore. Per chi traduce cataloghi, documentazione tecnica o assistenza clienti su larga scala, una differenza del genere diventa enorme a fine mese.

Il lancio arriva insieme a una partnership con RWS, società specializzata in tecnologie e servizi linguistici che collabora con oltre l’ottanta per cento dei primi cento marchi al mondo. I team di ricerca di Language Weaver, il prodotto di RWS, hanno contribuito a modellare le prestazioni reali di traduzione, e le imprese che hanno bisogno di sicurezza, scalabilità e una piattaforma dedicata possono accedere al modello proprio attraverso Language Weaver.

AI sovrana, ma con un vincolo sulla licenza

Cohere presenta North Small Translate come un tassello della sua idea di AI sovrana, cioè la possibilità per governi e aziende di eseguire modelli sui propri sistemi, mantenendo il pieno controllo su dati e infrastrutture. È lo stesso terreno su cui si muovono altri operatori, come racconta il recente accordo tra Mistral e Cloudera per l’AI sovrana sui dati aziendali.

Qui però emerge l’aspetto più discusso del lancio. I pesi del modello sono disponibili con licenza CC BY-NC 4.0, che consente l’uso per ricerca e scopi non commerciali ma non l’impiego in produzione. Chi vuole portare North Small Translate in un contesto commerciale deve passare da una licenza a pagamento e dalla piattaforma di distribuzione di Cohere.

La scelta ha attirato qualche critica, perché l’idea di apertura convive con un limite netto sull’uso reale. È una tensione che percorre tutto l’ecosistema dei modelli AI open source, dove la disponibilità dei pesi non coincide quasi mai con la piena libertà di sfruttarli.

Resta comunque un fatto: rendere pubblici i pesi, anche solo per la ricerca, permette alla comunità di studiare, testare e migliorare il modello. È qualcosa di impossibile con i sistemi completamente chiusi di DeepL e Google.

Cosa cambia per chi traduce con l’AI

L’arrivo di North Small Translate segna un punto importante, perché dimostra che la traduzione automatica di alta qualità non è più una prerogativa esclusiva di poche piattaforme proprietarie. Un modello aperto, per quanto vincolato nella licenza, che supera DeepL e Google nei test di riferimento cambia le aspettative del mercato.

Per te che segui il mondo della traduzione o della localizzazione, il messaggio è duplice. Da un lato cresce la concorrenza, e questo tende a spingere in alto la qualità e in basso i prezzi. Dall’altro, la questione delle licenze ricorda che open weight non significa automaticamente gratuito o utilizzabile ovunque.

Se vuoi capire dove sta andando l’intelligenza artificiale applicata al linguaggio, prova il modello sullo spazio dimostrativo di Hugging Face, confronta i risultati con gli strumenti che utilizzi ogni giorno e valuta se la traduzione automatica open ha raggiunto un livello sufficiente per il tuo lavoro. Continua a seguirci per restare aggiornato su ogni nuovo modello che ridefinisce il settore.