A Tiny Aya kutatói telefonon futó, többnyelvű AI-eszközöket építettek
A Cohere Tiny Aya modelljére építve kutatók és fejlesztők offline oktatási asszisztenst, többnyelvű biztonsági teszteket és helyben futó dokumentumkezelőt készítettek. A vállalat szerint a projektek azt mutatják, hogy a könnyű, nyílt súlyú modellek a kevésbé támogatott nyelveken is gyakorlati alkalmazásokat tehetnek lehetővé.
- A Tiny Aya nyílt súlyú modell, amely a Cohere szerint több mint 70 nyelven erős.
- Az Expedition programban offline oktatási és hangalapú eszközök készültek.
- A kódkevert és kultúrák közötti helyzetek eltérő biztonsági viselkedést hozhatnak.
- A DocuNative érzékeny dokumentumok helyi, eszközön történő feldolgozását vizsgálta.
- A Tiny Aya kutatása a Cohere szerint bekerült a COLM 2026 programjába.
Könnyű modell több mint 70 nyelvhez
A Cohere Labs Tiny Aya modelljét arra a problémára fejlesztették, hogy a mesterséges intelligencia legtöbb rendszere kevés nyelvre összpontosít, és komoly hardvert igényel. A Cohere közlése szerint a Tiny Aya nyílt súlyú, több mint 70 nyelven erős, és helyben is futtatható, akár telefonon.
A modell megjelenése után a vállalat elindította az Expedition Tiny Aya nevű, mentorok által támogatott kutatási programot. Ebben fejlesztők, kutatók, diákok és gyakorlati szakemberek dolgoztak a modellel, különböző országokból és eltérő helyi problémákra keresve megoldást. A program kutatási eredményeit a Cohere szerint a COLM 2026 konferencia is elfogadta.
A vállalat július 14-i beszámolója négy fő területet emel ki: az oktatást és tanulást, a többnyelvű AI biztonságát, a hozzáférhetőséget és helyi futtatást, valamint a nyelvi megértést és feldolgozást.
Offline oktatási eszközök és átláthatóbb matematikai megoldások
A Tiny Aya Math Edition nevű projektben a kutatók azt vizsgálták, javítja-e a matematikai problémamegoldást, ha a modell strukturált módon, ötletekre, lemmákra, vázlatokra és végső válaszokra bontva mutatja be a megoldását. A Cohere szerint ez önmagában nem garantálta a helyes matematikai eredményt, ugyanakkor láthatóvá tette a modell gondolkodásának szervezése és tényleges teljesítménye közötti különbségeket.
A csapat nyilvános, többnyelvű matematikai olimpiai benchmark-adatkészletet is kiadott. A kutatás folytatódik, a résztvevők további modelltréninget és új módszereket vizsgálnak, valamint egy átfogó tanulmány közzétételét tervezik.
A Kids Companion projekt egy gyermekeknek szánt, offline működő hangalapú asszisztenst készített. A rendszerben a Tiny Aya mellett beszédfelismerés és szövegfelolvasás is működik, a fejlesztést pedig kifejezetten fiatal felhasználókhoz igazították. A csapat egy többnyelvű benchmarkot is létrehozott, amely a gyermekeknek szánt AI-rendszerek biztonságát, oktatási értékét és életkornak megfelelő válaszait vizsgálja több tucat nyelven.
A többnyelvű biztonságot nem elég egyetlen nyelven tesztelni
Az Expedition egyik tanulsága, hogy a biztonsági viselkedés jelentősen változhat, ha a felhasználó több nyelvet, nyelvjárást vagy írásrendszert kever egyetlen kérdésben. A Mix, Fine-Tune, Break projektben a kutatók ilyen kódkevert utasításokat vizsgáltak, és a Cohere szerint olyan eltéréseket találtak, amelyeket a hagyományos, nyelvenként külön végzett benchmarkok elrejthetnek.
Egy másik kutatás azt vizsgálta, hogy egy nyelven megtanult nem biztonságos viselkedés megjelenhet-e egy másik nyelven is. Mechanisztikus értelmezéssel bizonyítékot találtak arra, hogy bizonyos, az összehangolatlansághoz kapcsolódó irányok több nyelv között is általánosulhatnak, az átadás erőssége azonban nyelvpáronként jelentősen eltért.
A Context Robustness projekt a kulturális jelek, a nyelv és a környezet közötti ellentmondásokat vizsgálta. A beszámoló szerint a modellek gyakran felszínes jelekre támaszkodtak, viselkedésük pedig meglepő módon változott a nyelv, a földrajzi háttér és a kontextus módosításakor. A Cohere ebből azt a következtetést vonja le, hogy a többnyelvű képesség önmagában nem jelent kulturális megértést.
Helyi futtatás adatvédelmi és hozzáférési korlátok mellett
A program résztvevői a modell tömörítését, helyi futtatását, többnyelvű adatok létrehozását és adatvédelmi megoldásokat is vizsgáltak. A Tiny Aya-Translate projekt a hindi és a török nyelv közötti beszédalapú fordításhoz fejlesztett szintetikusadat-generáló folyamatot. A cél egy több mint 1300 órányi oktatási adatot előállító rendszer létrehozása volt.
A DocuNative olyan rendszert épített, amely segít az újonnan érkezőknek eligazodni a bonyolult dokumentumokban, miközben az érzékeny információk teljes egészében az eszközön maradnak. A Tiny Aya köré épített megoldás többnyelvű információ-visszakeresést és kérdésválaszolást használ. A projekt tapasztalata szerint a visszakeresés minősége erősen függ attól, mennyire illeszkedik egymáshoz a dokumentum és a lekérdezés nyelve.
A Cohere szerint az Expedition eredményei azt mutatják, hogy a helyi problémákra szabott fejlesztésekhez az elérhető modellek, a mentorálás és a kutatási szabadság együtt adhat megfelelő alapot. A Tiny Aya esetében ez olyan alkalmazásokat jelent, amelyek korlátozott hardver, internetkapcsolat vagy adatvédelmi lehetőségek mellett is működhetnek.
