TinyAya : l’IA multilingue pour les 7 autres milliards

L’IA pour le reste du monde

La révolution de l’intelligence artificielle a un problème linguistique. Les modèles de pointe qui dominent l’actualité — GPT-4, Claude, Gemini — sont conçus principalement pour les anglophones. Ils fonctionnent bien dans une poignée d’autres langues à ressources abondantes : français, allemand, espagnol, chinois, japonais. Mais pour la majorité des plus de 7 000 langues du monde — et surtout, pour nombre des langues parlées par des milliards de personnes en Afrique, au Moyen-Orient, en Asie du Sud et en Asie du Sud-Est — ces modèles vont du médiocre à l’inutilisable.

Le 17 février 2026, Cohere Labs a lancé Tiny Aya lors du India AI Summit — une famille de modèles multilingues à poids ouverts construits autour d’une base de 3,35 milliards de paramètres couvrant plus de 70 langues et fonctionnant hors ligne sur du matériel grand public, des ordinateurs portables aux smartphones. La famille comprend cinq modèles : Tiny Aya Base (la fondation pré-entraînée), Tiny Aya Global (affiné par instructions à travers 67 langues avec des performances équilibrées), et trois spécialistes régionaux — Tiny Aya Earth pour les langues africaines et d’Asie occidentale, Tiny Aya Fire pour les langues sud-asiatiques, et Tiny Aya Water pour les langues d’Asie-Pacifique et européennes.

Tiny Aya est petit selon les standards actuels. Avec 3,35 milliards de paramètres, il est environ deux ordres de grandeur plus petit que les modèles de pointe. Il ne peut pas rivaliser avec Claude ou GPT-5 sur des tâches de raisonnement complexe en anglais. Mais cette comparaison manque complètement l’essentiel. Pour un agriculteur au Kenya cherchant des conseils agricoles en swahili, un étudiant au Bangladesh étudiant en bangla, ou un propriétaire de petite entreprise en Algérie naviguant dans les services gouvernementaux en arabe, Tiny Aya offre quelque chose qu’aucun modèle de pointe n’offre : une assistance IA utile dans leur propre langue, sur du matériel auquel ils ont réellement accès, sans avoir besoin d’une connexion Internet.

L’architecture de l’accessibilité

La conception de Tiny Aya reflète une série de compromis délibérés entre capacité et accessibilité. Le modèle utilise une architecture transformer auto-régressive avec un mécanisme d’attention hybride — attention à fenêtre glissante pour les trois premières couches (taille de fenêtre 4 096) et attention globale sur la quatrième couche — optimisé avec des Rotary Position Embeddings (RoPE) et une fenêtre de contexte de 8K pour l’entrée et la sortie.

Le tokeniseur est un composant critique et l’une des réalisations techniques les plus significatives de Tiny Aya. La plupart des modèles de pointe utilisent des tokeniseurs conçus principalement pour l’anglais, qui fragmentent le texte non anglais en de nombreux petits tokens. Un seul mot en arabe ou en hindi peut nécessiter trois à cinq tokens dans un modèle avec un tokeniseur centré sur l’anglais, contre un ou deux dans un tokeniseur optimisé pour le multilingue. Cette fragmentation augmente le coût computationnel, réduit la fenêtre de contexte effective et dégrade la qualité de la génération. Le tokeniseur de Tiny Aya a été spécifiquement repensé pour réduire la fragmentation à travers les écritures, atteignant ce que Cohere décrit comme la tokenisation la plus efficace dans la grande majorité des langues évaluées.

La curation des données d’entraînement a été peut-être le composant le plus intensif en main-d’œuvre. L’initiative Aya — un effort mondial de science ouverte organisé par le laboratoire de recherche de Cohere, Cohere Labs — a mobilisé plus de 3 000 chercheurs, linguistes, ingénieurs et locuteurs natifs de 119 pays pour assembler des données d’entraînement incluant non seulement du texte web mais des exemples curatés d’écriture de haute qualité, des démonstrations de suivi d’instructions et des réponses alignées sur la sécurité dans des dizaines de langues. Pour certaines langues africaines et sud-est asiatiques à faibles ressources, cela a nécessité de créer des données d’entraînement quasiment à partir de zéro.

De manière remarquable, l’ensemble du modèle a été entraîné sur seulement 64 GPU NVIDIA H100 — une configuration modeste selon les standards actuels qui souligne la philosophie d’efficacité en priorité guidant le projet. Le post-entraînement a inclus un affinage supervisé et un entraînement par préférences pour l’alignement en matière de sécurité et d’utilité.

Le résultat est un modèle qui, bien qu’il n’égale pas les modèles de pointe dans aucune langue individuelle, fournit des fonctionnalités utiles à travers une étendue de langues qu’aucun modèle de pointe ne peut égaler. À travers les plus de 70 langues supportées, Tiny Aya gère l’interaction conversationnelle, la réponse aux questions, le résumé de texte, la traduction et les tâches de raisonnement simple à un niveau pratiquement utile pour les applications quotidiennes.

Le fossé avec les modèles de pointe

La sortie de Tiny Aya met en lumière une tension croissante dans l’industrie de l’IA : l’écart grandissant entre les capacités disponibles pour les anglophones et celles disponibles pour le reste du monde.

Les modèles de pointe sont entraînés principalement sur des données en anglais parce que l’anglais domine Internet. Des recherches de Stanford ont documenté comment les grands modèles de langage excluent systématiquement les non-anglophones, créant ce que les chercheurs appellent un « fossé linguistique numérique ». Des langues parlées par des centaines de millions de personnes — swahili, yorouba, tamoul, pendjabi, amharique — ne représentent que des fractions de pour cent du contenu web. Le haoussa, parlé par 80 millions de personnes, ne reçoit que 0,0036 % de représentation dans les ensembles de données d’entraînement courants. Les modèles entraînés sur des données à l’échelle du web reflètent inévitablement ces proportions, performant bien en anglais et progressivement moins bien dans les langues moins représentées.

Le problème s’aggrave. À mesure que les outils d’IA s’intègrent plus profondément dans l’éducation, la santé, le commerce et les services gouvernementaux, la qualité de l’IA dans une langue donnée détermine de plus en plus la qualité des services numériques disponibles pour les locuteurs de cette langue. Un étudiant ayant accès à un tuteur IA fluide en anglais a une expérience d’apprentissage qualitativement différente de celle d’un étudiant dont le tuteur IA comprend à peine sa langue. Un médecin utilisant des outils de diagnostic assistés par l’IA en français reçoit un meilleur support qu’un médecin utilisant les mêmes outils en haoussa.

Cette dynamique menace de créer une nouvelle forme d’inégalité où l’accès aux services propulsés par l’IA dépend non pas des ressources économiques ou de l’infrastructure technique mais de la langue que l’on parle. Des recherches de Johns Hopkins et de Brookings ont montré que les systèmes d’IA multilingues renforcent souvent ces biais plutôt que de les réduire, amplifiant la dominance de l’anglais tout en marginalisant les langues minoritaires.

Tiny Aya n’est pas une solution complète à ce fossé. Un modèle de 3,35 milliards de paramètres ne peut pas égaler la profondeur d’un modèle deux ordres de grandeur plus grand. Mais il représente une philosophie différente du développement de l’IA — une philosophie qui priorise l’étendue de l’accès sur la profondeur des capacités et qui traite l’inclusion linguistique comme un objectif de conception de premier ordre plutôt que comme un ajout après coup.

Faire fonctionner l’IA sur du matériel grand public

L’une des réalisations pratiques les plus significatives de Tiny Aya est sa capacité à fonctionner sur du matériel grand public. À 3,35 milliards de paramètres avec une quantification appropriée, le modèle fonctionne hors ligne sur des ordinateurs portables modernes, et des tests indépendants du Futurum Group ont enregistré le modèle atteignant 32 tokens par seconde sur un iPhone 17 Pro — suffisamment rapide pour une utilisation conversationnelle en temps réel.

Cela a des implications profondes pour le déploiement dans des contextes où l’informatique en nuage est coûteuse, peu fiable ou indisponible. De larges pans du monde en développement ont une connectivité Internet limitée ou intermittente. Les services d’IA basés sur le cloud qui nécessitent une communication constante avec des serveurs sont impraticables dans les zones rurales d’Afrique subsaharienne, d’Asie du Sud et d’Asie du Sud-Est où la couverture cellulaire est inégale et la bande passante est chère. Un modèle qui fonctionne localement sur un appareil élimine entièrement la dépendance à la connectivité cloud.

Le déploiement local répond également aux préoccupations de confidentialité qui sont particulièrement aiguës dans certains contextes culturels et politiques. Les utilisateurs dans les pays autoritaires peuvent être réticents à envoyer des requêtes sensibles à des serveurs cloud étrangers. Les professionnels de santé dans des régions avec des exigences strictes de protection des données peuvent ne pas être en mesure d’utiliser des outils d’IA basés sur le cloud pour des requêtes liées aux patients. Un modèle fonctionnant localement conserve les données sur l’appareil, éliminant les risques de confidentialité associés à l’IA cloud.

Les implications économiques sont significatives. L’inférence IA cloud est coûteuse — chaque requête à un modèle de pointe coûte au fournisseur des fractions de centime, ce qui s’additionne en milliards de dollars annuellement à grande échelle. Ces coûts sont ultimement supportés par les utilisateurs via des frais d’abonnement ou la publicité. Un modèle fonctionnant localement n’a aucun coût par requête après le déploiement initial, le rendant considérablement plus abordable pour les marchés sensibles aux coûts.

Les modèles sont disponibles au téléchargement sur HuggingFace, Kaggle et Ollama, avec un déploiement supporté via la Cohere Platform — abaissant la barrière pour les développeurs du monde entier souhaitant construire des applications par-dessus Tiny Aya.

Performances sur les benchmarks : petit mais capable

Malgré sa taille compacte, Tiny Aya démontre des performances compétitives face à des modèles de taille similaire et même supérieure. Sur le benchmark de traduction WMT24++, Tiny Aya Global surpasse GEMMA3-4B — un modèle avec légèrement plus de paramètres — dans 46 des 61 langues évaluées. L’écart est particulièrement prononcé dans les langues à faibles ressources où les données d’entraînement spécialisées de Tiny Aya lui confèrent un avantage clair.

En raisonnement mathématique, les différences sont encore plus frappantes. Sur le benchmark GlobalMGSM pour les langues africaines, Tiny Aya a atteint 39,2 % de précision, surpassant significativement GEMMA3-4B à 17,6 % et QWEN3-4B à seulement 6,25 %. Cela suggère que la curation des données d’entraînement multilingues de Tiny Aya — en particulier les contributions de locuteurs natifs dans les communautés linguistiques sous-représentées — produit de véritables gains de capacité que l’échelle brute du modèle seule ne peut pas reproduire.

Le modèle a des limites claires. Les tâches de raisonnement en chaîne de pensée restent difficiles, les lacunes en connaissances factuelles sont plus prononcées dans les langues à faibles ressources, et la qualité varie à travers les plus de 70 langues supportées — les langues à ressources abondantes comme le français et l’arabe performent de manière plus constante que les langues avec moins de données d’entraînement. Ce sont des compromis honnêtes dans un modèle conçu pour l’étendue plutôt que la profondeur.

Les variantes régionales aident à remédier aux performances inégales. Tiny Aya Fire, optimisé pour les langues sud-asiatiques incluant le bengali, l’hindi, le pendjabi, l’ourdou, le gujarati, le tamoul, le télougou et le marathi, offre des performances plus fortes dans ces langues que la variante Global. De même, Tiny Aya Earth concentre les ressources sur les langues africaines incluant le swahili, le haoussa, le yorouba, l’igbo et l’amharique, produisant des réponses plus culturellement adaptées avec une meilleure gestion des entités nommées pour ces régions.

La communauté derrière le modèle

Tiny Aya n’existerait pas sans la communauté Aya — un réseau mondial de plus de 3 000 chercheurs, linguistes, ingénieurs, spécialistes en sciences sociales et locuteurs natifs de 119 pays qui ont contribué aux données d’entraînement, à l’évaluation et à l’assurance qualité du modèle. Organisée par Cohere Labs, cette communauté représente l’un des efforts collaboratifs les plus ambitieux de l’histoire de l’IA.

Le modèle de contribution était délibérément inclusif. Des locuteurs natifs de langues sous-représentées — dont beaucoup ne sont pas chercheurs en IA — ont été recrutés pour créer des démonstrations de suivi d’instructions dans leurs langues. Ces démonstrations étaient essentielles pour l’affinage par instructions du modèle. La communauté a également fourni des évaluations de qualité, testant le modèle dans leurs langues maternelles et fournissant des retours sur la précision, la fluidité et l’adéquation culturelle.

Ce modèle communautaire met en lumière une voie potentielle pour le développement de l’IA qui ne dépend pas entièrement des ressources de grandes entreprises. En mobilisant les locuteurs natifs comme contributeurs plutôt que de les traiter comme des consommateurs passifs, le projet Aya a créé une valeur que aucune quantité de calcul ne pourrait répliquer — les connaissances linguistiques et culturelles nuancées que seuls les locuteurs natifs possèdent.

L’initiative Aya a construit vers cette publication pendant des années, avec des jalons antérieurs incluant le modèle Aya 101 couvrant 101 langues. Tiny Aya représente la distillation de ces connaissances accumulées dans un format optimisé pour le déploiement en conditions réelles plutôt que pour la maximisation des benchmarks.

Quelle est la suite pour l’IA multilingue

Tiny Aya est un jalon, mais le chemin vers une IA multilingue véritablement équitable est long. Les plus de 70 langues couvertes par le modèle représentent une fraction de la diversité linguistique mondiale. Beaucoup des langues les plus menacées du monde — parlées par de petites communautés avec une présence numérique limitée — restent entièrement absentes des systèmes d’IA.

Les défis techniques d’élargissement de la couverture sont significatifs. Pour beaucoup des plus de 7 000 langues du monde, il n’existe pas suffisamment de texte numérique pour entraîner même un petit modèle. Certaines langues n’ont pas de forme écrite standardisée, rendant les approches d’IA basées sur le texte fondamentalement inadéquates. L’IA basée sur l’audio — reconnaissance et synthèse vocales — peut être plus appropriée pour les langues de tradition orale, mais ces technologies font face à leurs propres défis de rareté de données.

Le modèle de licence soulève également des questions. Tiny Aya est publié sous CC-BY-NC — usage non commercial uniquement — avec la Politique d’utilisation acceptable de Cohere. Bien que cela rende le modèle librement disponible pour la recherche et les projets communautaires, les applications commerciales nécessitent un accord avec la Cohere Platform. C’est une décision commerciale pragmatique, mais cela signifie que les organisations les plus susceptibles de déployer l’IA à grande échelle sur les marchés en développement — opérateurs mobiles, banques, agences gouvernementales — auront besoin de licences commerciales.

Ces questions n’ont pas de réponses faciles. Mais Tiny Aya démontre que la réponse n’est pas simplement d’attendre que les modèles de pointe s’améliorent dans les langues non anglaises — un processus qui a été douloureusement lent. La réponse réside peut-être dans des modèles multilingues conçus sur mesure, une curation de données communautaire et une philosophie de développement de l’IA qui mesure le succès non par les scores de benchmark en anglais mais par l’utilité réelle à travers tout le spectre des langues humaines.

Sources et lectures complémentaires

• Cohere Labs Launches Tiny Aya, Making Multilingual AI Accessible — Cohere Blog
• Cohere Launches a Family of Open Multilingual Models — TechCrunch
• Tiny Aya Global Model Card — HuggingFace (CohereLabs)
• The Aya Initiative: Building AI for Underrepresented Languages — Cohere Labs
• How AI Is Leaving Non-English Speakers Behind — Stanford Report
• How Language Gaps Constrain Generative AI Development — Brookings