
Küresel işletmelerin en büyük engellerinden biri olan çok dilli operasyon ve teknik dokümantasyon bariyeri, Cohere’in yeni hamlesiyle yıkılıyor. Kurumsal yapay zekâ pazarının öncüsü Cohere ve kâr amacı gütmeyen araştırma kolu Cohere Labs, 10 Eylül 2026 itibarıyla 50’den fazla dilde insan tercüman hassasiyetinde çalışan 218 milyar parametreli “North Small Translate 1.0” modelini duyurdu.
Açık ağırlıklı (open-weights) olarak Hugging Face üzerinde paylaşılan model, seyrek Uzmanlar Karışımı (Sparse MoE) mimarisi sayesinde devasa model yeteneklerini kompakt donanım maliyetleriyle buluşturuyor.
Seyrek MoE Mimarisi: 218B Bilgelik, 25B Çeviklik
North Small Translate, genel amaçlı bir sohbet botu değil; havacılık bakım kılavuzlarından hukuki sözleşmelere, yazılım kodlarından diplomatik protokollere kadar hassas terminoloji gerektiren çeviriler için özel olarak eğitilmiş dikey bir zekâ sistemidir.
Modelin teknik omurgası şu özelliklere dayanıyor:
- Sparse MoE Tasarımı: Model toplamda 218 milyar ağırlık katsayısına sahip olmasına rağmen, yönlendirici (router) mekanizması girdi metninin diline ve uzmanlık alanına göre yalnızca en yetkin uzmanları uyandırıyor. Çıkarım anında sadece 25 milyar aktif parametre çalışıyor.
- 16K Giriş ve Çıkış Bağlamı: 16.000 tokenlik geniş girdi/çıktı kapasitesi, yüzlerce sayfalık karmaşık teknik belgelerin bağlam bütünlüğü bozulmadan tek bir seferde çevrilmesini sağlıyor.
- Ultra Düşük Donanım İhtiyacı: Gelişmiş NVFP4 (W4A16) kuantizasyon optimizasyonu sayesinde model, dev süper bilgisayar kümelerine gerek kalmadan yalnızca tek bir Nvidia B200 GPU’sunda veya 2 adet H100’de tam hızda çalışabiliyor.
Kıyaslama Testleri: WMT26 ve Çok Geçişli Ajan Gücü
North Small Translate, küresel makine çevirisi standardı kabul edilen WMT26 test setinde rakiplerini geride bırakarak zirveye yerleşti:
| Model ve Mimari | Toplam / Aktif Parametre | WMT26 Standart Skor | WMT26 Çok Geçişli Ajan Skoru | Desteklenen Dil Sayısı |
|---|---|---|---|---|
| Cohere North Small Translate 1.0 | 218B / 25B (MoE) | 83.60 | 84.36 (Rekor) | 50+ Dil |
| Google Cloud Translation LLM | Kapalı API / Bilinmiyor | 81.20 | Desteklenmiyor | 100+ Dil |
| DeepL Enterprise v4 | Özel Tescilli Model | 82.10 | 82.70 | 32 Dil |
| Meta NLLB-200 (No Language Left Behind) | 54B Yoğun (Dense) | 77.40 | Desteklenmiyor | 200 Dil |
| OpenAI GPT-4o (Genel Amaçlı) | Kapalı Çok Modlu | 80.80 | 81.90 | 50+ Dil |
Hata Düzeltici “Ajan Döngüsü” (Agentic Multi-Pass) Nasıl Çalışıyor?
Modelin en devrimsel yönü, geleneksel çeviri motorları gibi metni tek seferde üretip bırakmamasıdır. Cohere mühendislerinin geliştirdiği isteğe bağlı Agentic Multi-Pass iş akışı, insan tercümanların redaksiyon sürecini birebir taklit eder:
- İlk Geçiş (Taslak Üretimi): Model kaynak dilden hedef dile ilk anlamsal çeviriyi gerçekleştirir.
- Kritik Denetçi Ajan (Audit Pass): İkinci bir uzman ağ devreye girerek üretilen çeviriyi kaynak metinle satır satır karşılaştırır; sayısal hataları, atlanan cümleleri veya bağlama uymayan terimleri kırmızı bayrakla işaretler.
- Düzeltme ve Cilalama (Refinement): Model tespit edilen pürüzleri gidererek nihai, akıcı ve yasal/teknik açıdan kusursuz metni teslim eder. Bu süreç puanı 84.36 seviyesine yükseltir.
Lisans ve Kurumsal Veri Gizliliği: Cohere Model Vault
Birçok savunma sanayii şirketi, ilaç devi ve finans kuruluşu; gizlilik içeren stratejik belgelerini üçüncü taraf genel bulut API’lerine (OpenAI, Google) göndermekten imtina etmektedir.
Cohere, North Small Translate modelini bu kritik ihtiyaca yanıt verecek şekilde lisansladı:
- CC BY-NC 4.0 Lisansı: Akademisyenler, araştırmacılar ve açık kaynak toplulukları model ağırlıklarını ücretsiz indirip kendi laboratuvarlarında çalıştırabiliyor.
- Cohere Model Vault: Kurumsal müşteriler modeli AWS Bedrock, Microsoft Azure veya kendi şirket içi (on-premise) hava boşluklu (air-gapped) veri merkezlerinde sıfır veri sızıntısı güvencesiyle dağıtabiliyor.
Sonuç: Küresel Babil Kulesi Yıkılıyor
Cohere’in 218 milyar parametreli North Small Translate modeli, makine çevirisinin genel amaçlı sohbet botlarının insafından kurtulup dikey, otonom ve hatasız bir kurumsal altyapı aracına evrildiğini kanıtlıyor. Açık ağırlıklı yaklaşımıyla şeffaflığı ve veri egemenliğini kurumlara geri veren bu hamle, küresel diller arasındaki iletişim engellerini tarihe gömmeye hazırlanıyor.
Sık sorulan sorular
North Small Translate 1.0 modelinin teknik mimarisi ve parametre dağılımı nasıldır?
Model, seyrek Uzmanlar Karışımı (Sparse Mixture-of-Experts - MoE) dekoder mimarisine sahiptir. Toplamda 218 milyar parametre barındırmasına karşın, her bir token üretimi sırasında bu uzmanlardan yalnızca 25 milyar parametre aktif hale gelir. Bu sayede 200B+ kalitesinde devasa bir dil bilgisi sunarken, çıkarım hızında 25B'lik küçük bir modelin hız ve maliyet avantajını sağlar.
Modelin WMT26 kıyaslamasındaki başarısı ve çok adımlı ajan döngüsü (agentic multi-pass) nedir?
Model standart çeviride WMT26 endüstriyel çeviri kıyaslamasında 83.60 gibi rekor bir skor elde etmiştir. İsteğe bağlı olarak devreye sokulabilen çok geçişli ajan (agentic multi-pass) modunda ise model önce taslak çeviriyi yapmakta, ardından ikinci bir uzman denetçi ajan terminoloji tutarsızlıklarını, kültürel nüansları ve teknik hataları düzelterek skoru 84.36'ya çıkarmaktadır.
Geliştiriciler bu modeli nasıl çalıştırabilir ve lisans koşulları nelerdir?
Ağırlıklar Hugging Face üzerinden Creative Commons Attribution-NonCommercial 4.0 (CC BY-NC 4.0) lisansıyla akademik ve ticari olmayan kullanıma açılmıştır. NVFP4 (W4A16) kuantizasyonu sayesinde model sadece iki adet H100 veya tek bir Blackwell B200 GPU'sunda çalışabilmektedir. Şirket içi ticari dağıtımlar için Cohere Model Vault lisansı sunulmaktadır.
Dil Modelleri kategorisinden
- 1 Milyon Token Maliyeti Karşılaştırması: OpenAI, Anthropic, Gemini ve DeepSeek (2026 Fiyat Tablosu)
- Alan Turing ve Makine Düşünmesi: Yapay Zekânın Felsefi Doğuşu
- Alibaba'dan Batı'ya Ağır Darbe: 2.4 Trilyon Parametreli Qwen 3.8-Max ve 27B Açık Kaynak Devrimi
- Doğu'dan Gelen Açık Kaynak Fırtınası: Alibaba Qwen 3 Max ile 1 Trilyon Parametreli Frontier Model
- Tüm haberler →



