Cohere Labs推出的Tiny Aya模型旨在解決一個普遍問題：大多數AI僅支援少數語言且需高效能硬體。Tiny Aya採用開放權重設計，在70多種語言上表現強勁，且輕量化到足以在手機等裝置上本地執行。釋出後，Cohere啟動了“遠征Tiny Aya”研究計劃，為全球開發者、研究人員和學生提供導師支援，探索該模型的實際應用。近日，Tiny Aya的研究成果被COLM 2026會議接收，凸顯了其在多語言AI領域的實用價值與研究貢獻。
遠征專案圍繞四大主題展開：教育與學習、構建更安全的多語言AI、可訪問性與本地部署、語言理解與處理。
在教育方面，Tiny Aya數學版團隊探索了結構化推理能否提升數學問題解決能力，併發布了公開的多語言數學奧林匹克基準資料集。兒童伴侶專案則構建了一個完全離線的兒童安全語音助手，結合語音識別和文本轉語音，並開發了針對兒童AI系統的多語言基準測試。
多語言安全方面，混合語言提示實驗表明，安全評估在混合語言下與單一語言下結果截然不同，揭示了傳統基準的盲點。跨語言緊急錯位研究透過機制可解釋性發現，不安全行為可能在不同語言間泛化，但遷移強度因語言對而異。上下文魯棒性專案則揭示了模型往往依賴淺層文化線索，而非真正的文化理解。
可訪問性與本地部署領域，團隊開發了合成資料流水線以支援稀有語言的語音翻譯（如印地語和土耳其語），並生成了超過1300小時的訓練資料。DocuNative幫助新移民在裝置端處理複雜文件，同時保護隱私。Tiny Aya視覺專案透過引數高效方法將視覺編碼器與語言模型連線，幾乎翻倍了某些實驗的效能。Tiny Facade實現了完全離線的多語言工具呼叫，支援4位量化，適合移動端。語言感知量化專案研究了壓縮對多語言效能的非均勻影響，提出了針對性最佳化策略。
這些專案共同證明，透過開放模型、導師支援和自由探索本地重要問題，可以實現有意義的AI創新。Tiny Aya的持續發展將進一步降低多語言AI的門檻，推動全球範圍內的技術普及。此外，語言感知量化專案還發現，壓縮對多語言效能的影響因語言而異，因此需要針對不同語言進行最佳化。Tiny Aya的視覺專案透過連線現有視覺編碼器，保持大部分引數凍結，取得了令人驚訝的效果，在一些實驗中效能幾乎翻倍。這些進展表明，多語言AI的未來在於本地化、個性化以及對不同語言社群的平等支援。