9月10日，企业级AI公司Cohere发布并开源了翻译模型North-Small-Translate-1.0。这是一个总参数2180亿、单次仅激活250亿的稀疏混合专家模型，包含128个专家网络，每个词元只调用其中8个。模型覆盖50多种语言，输入与输出上下文均为16K，权重以CC BY-NC 4.0协议开放，允许研究与个人使用，但不允许商用。Cohere给出的评测显示，该模型在WMT26全语种基准上取得83.60分，接入智能体式多轮流程后提升至84.36分，高于DeepL NextGen的81.37分。翻译这个长期被认为已经成熟的赛道，因为稀疏架构与智能体流程重新出现了变化。
混合专家架构的核心思路是把一个大模型拆成多个分工不同的子网络，每次推理只唤醒其中一小部分。North-Small-Translate-1.0设置了128个专家，每个词元激活8个，激活比例约为十六分之一，于是总参数2180亿的模型在单次前向计算中只动用约250亿参数。这意味着它的推理开销接近一个中等规模稠密模型，但知识容量与语言覆盖却接近更大的模型。翻译任务输入输出确定性强、对世界知识依赖中等、对语言覆盖要求极高，恰好落在这类架构的甜区里。
为什么翻译特别适合这种结构，可以从语言对之间的差异来理解。不同语系在语序、形态变化、量词与敬语体系上的规则差异很大，模型需要为不同语言组合保留相对独立的处理路径。专家数量足够多时，训练过程会自然让不同专家偏向不同语系或文字系统，形成事实上的分工。代价是路由训练更难收敛，推理时也需要额外调度开销。Cohere选择把这一代产品命名为Small，也说明其定位是把大容量装进可控的成本框架，而不是单纯追求参数规模。
83.60分这个数字需要放在对照里读。Cohere公布的同表数据中，DeepL NextGen为81.37分，谷歌翻译的同期成绩也在其下。两分多的差距在翻译自动评测里属于可感知的区间，通常对应术语准确度与长句结构处理的改善。同时要说明，WMT系列的评测指标以自动评分为主，与人工评价并不完全一致，尤其在文学性表达与文化专有词上，自动指标的判别力有限，厂商公布的对比仍需独立复现来验证。
更值得注意的是84.36分那个更高的数字。它是把模型接进智能体式多轮流程后得到的结果：先翻译一遍，再让模型自查术语与漏译，必要时回译比对，最后定稿。这一流程把分数抬高了约0.76分，代价是词元消耗与延迟成倍增加。这条路径的意义在于，翻译产品的形态正在从一次调用变成一个流程，质量提升不再只来自更大的模型，也来自围绕模型搭建的检查机制。对成本敏感的场景，这种提升需要按业务价值取舍。
16K的输入与输出上下文改变的是使用方式。过去翻译长文档需要切段，切段会带来两个问题：跨段的术语与指代无法保持一致，段落顺序调整后又要重新拼接。当整份合同、整本说明书可以一次性送进模型，术语一致性可以在单次推理内解决，人名、产品名与法律条款的译法不再前后打架。对法务、制造与医药这类术语密集的行业，这一点的实用价值高于单纯的评分提升。
50多种语言的覆盖则指向另一类场景。跨境电商要在同一时间把商品页发到多个语种市场，出海软件要把帮助文档与更新日志同步成十几份，开源项目要把说明文件本地化。这些任务的特点是语种多、单份内容短、时效要求高，过去只能靠众包与机器翻译后编辑。当一个模型能同时承担多个语种，且质量接近商业服务，企业就有机会把翻译从外包流程收回到内部工具链里，用统一的术语库和风格指南来约束输出。
把翻译收回到内部也带来新的责任。企业需要有人维护术语表、抽检输出质量、处理语种特有的文化表达问题，这部分人力成本往往在最初的评估阶段被低估。当翻译从一项采购服务变成一套内部工具，团队结构、审核流程与责任划分都需要重新设计，这也是不少企业在试用之后迟迟没有全面替换旧流程的真实原因。
CC BY-NC 4.0协议是这份开源最需要留意的部分。它允许研究、评估与个人使用，但明确禁止商业用途。企业不能用这套权重直接上线对外翻译服务，只能在内部做效果验证。对于Cohere这样本身经营企业级产品的公司，开源非商用版本是一种获客方式：客户可以先在自有数据上跑通评测，确认质量后再采购商业授权或使用其云服务。开源权重在这里扮演的是试用装与信任凭证，而不是替代品。
这也解释了开源翻译模型长期存在的商业化难题。翻译服务的采购逻辑与通用大模型不同，企业关心的是术语库能否导入、领域数据能否微调、输出能否留痕审计，而不仅仅是WMT分数。非商用权重满足了验证需求，却把真正要落地的企业推向付费方案。对开源社区而言，这意味着可以复现与改进，但很难基于它做出商业产品。开源与商业之间的这道界线，在翻译这类直接替代既有付费服务的赛道上，短期内仍会保持清晰。