Lara Mini: Europäisches Sprachmodell für 45 Sprachen schlägt größere Konkurrenz

Worum es geht

Das italienische Unternehmen Translated, einer der größeren Übersetzungsdienstleister weltweit, hat am 12. November 2026 ein eigenes Sprachmodell namens Lara Mini veröffentlicht. Es ist kein angepasstes Modell eines großen US- oder chinesischen Anbieters, sondern wurde von Grund auf neu trainiert: mit 6 Billionen Tokens (Textbausteinen) in Englisch und 44 weiteren Sprachen, darunter alle 24 Amtssprachen der Europäischen Union. Trainiert wurde auf dem Supercomputer Leonardo des italienischen Rechenzentrums CINECA.

Lara Mini ist ein reines Forschungsmodell. Die Gewichte sind „gated“, also nur auf Anfrage erhältlich: Translated prüft jede Anfrage einzeln. Erlaubt ist die Nutzung für Forschung und andere nicht-kommerzielle Zwecke. Zusammen mit dem Modell erscheinen ein technischer Bericht und ein neuer Benchmark, der mehrsprachiges logisches Denken in 110 Sprachvarianten prüft. Weitere Informationen gibt es auf der Forschungsseite laratranslate.com/research.

Wie das Modell aufgebaut ist

Lara Mini hat insgesamt 7,2 Milliarden Parameter, nutzt pro Token aber nur 600 Millionen davon. Das liegt an der Mixture-of-Experts-Architektur (MoE): Das Modell besteht aus vielen spezialisierten Teilnetzen, den „Experten“, und ein Verteiler (Router) wählt für jedes Wort nur wenige davon aus. Man kann sich das wie ein großes Team vorstellen, bei dem für jede Aufgabe nur vier Fachleute an den Tisch geholt werden. Konkret sind es bei Lara Mini 4 von 128 Experten plus ein gemeinsamer Experte, der immer mitarbeitet.

Auch bei der Aufmerksamkeit, also dem Mechanismus, mit dem das Modell frühere Textstellen berücksichtigt, setzt Translated auf eine Mischung. Die 34 Schichten bestehen aus:

• 14 Schichten Gated DeltaNet, einer Form von „linearer Aufmerksamkeit“, die den Text in einem festen, kompakten Zwischenspeicher zusammenfasst, statt jedes frühere Wort einzeln vorzuhalten,
• 13 Schichten mit Sliding-Window-Attention, die nur die letzten 512 Tokens betrachten, wie ein Lesefenster, das mitwandert,
• 7 Schichten mit klassischer globaler Aufmerksamkeit, die den gesamten Text sehen.

Diese Kombination sorgt dafür, dass der Speicherbedarf bei langen Texten deutlich langsamer wächst als bei einem Modell, das überall volle Aufmerksamkeit nutzt. Nach dem Haupttraining folgte eine eigene Trainingsphase mit 100 Milliarden Tokens, die das Kontextfenster – die Textmenge, die das Modell auf einmal verarbeiten kann – von 4.096 auf 131.072 Tokens vergrößerte.

Die Trainingsdaten

Translated hat ausschließlich offen veröffentlichte Datenquellen verwendet, diese gefiltert und von Dubletten bereinigt. So entstand ein Pool von 13,8 Billionen Tokens, aus dem 6 Billionen für das Training gezogen wurden. 97 Prozent davon sah das Modell zum ersten Mal, Dokumente wurden also kaum wiederholt. Die Verteilung:

Die Trainingsdaten selbst werden nicht veröffentlicht. In der Pressemitteilung, die Slator abdruckt, verweist Translated außerdem auf über 20 Jahre gesammelte Übersetzungsdaten als Qualitätsgrundlage – wie genau diese ins Training eingeflossen sind, bleibt in den Quellen offen.

Das Experiment: Bringt mehr Englisch mehr Englisch?

Der interessanteste Teil der Veröffentlichung ist ein kontrollierter Versuch. Die Forscher nahmen denselben Zwischenstand des Modells und führten zwei getrennte Anneals durch – das ist die letzte Trainingsphase, in der die Lernrate langsam auf null sinkt und das Modell sozusagen „ausgehärtet“ wird. In einer Variante ersetzten sie den mehrsprachigen Anteil von 33 Prozent durch Englisch, sodass der Englischanteil von 27 auf 60 Prozent stieg.

Das Ergebnis laut technischem Bericht: Der englische Durchschnittswert verbesserte sich nur um 0,3 Punkte, der mehrsprachige Durchschnitt fiel dagegen um 2,7 Punkte. Translated-Chef Marco Trombetti leitet daraus eine Grundhaltung ab:

„Zu lange hat die KI die Vielfalt menschlicher Sprachen als ein zu lösendes Problem behandelt. Wir glauben das Gegenteil: Verschiedene Sprachen und Kulturen bieten verschiedene Perspektiven auf die Wirklichkeit.“

Die Autoren des Berichts sind allerdings vorsichtiger als die Pressemitteilung. Laut Unite.AI betonen sie, dass der Versuch nur die letzte Trainingsphase betrifft, nicht das Haupttraining. Und sie stellen klar, dass ihre Experimente nicht zeigen, dass mehrsprachiges Training das allgemeine Denkvermögen oder die Englisch-Leistung verbessert. Eine Analyse der Expertenauswahl ergab zudem, dass sich Sprachen die Experten teilen, statt eigene Gruppen zu bekommen: Verwandte Sprachen werden früh im Netz ähnlich verteilt, in den mittleren Schichten fast identisch. Auch hier warnen die Forscher: Gleiche Verteilung bedeutet nicht automatisch, dass das Modell Bedeutungen sprachübergreifend gleich repräsentiert.

Benchmarks und ihre Grenzen

Translated hat Lara Mini mit 56 anderen offenen Basismodellen auf 26 Tests aus den Bereichen Englisch, Mehrsprachigkeit, Mathematik und Code verglichen – mit einheitlichen Prompts und Auswertung. In der Gruppe der 36 Modelle mit bis zu 2 Milliarden aktiven Parametern ergibt sich laut Hersteller:

In den Einzelbereichen landet Lara Mini auf Platz 1 bei mehrsprachigem Verständnis (56,7) und Mathematik (59,9), auf Platz 2 bei Englisch (66,4) und nur auf Platz 5 bei Code (45,1). Wichtig für die Einordnung: Die vier Bereiche zählen gleich viel, und die mehrsprachigen Tests werden ausgerechnet über die Sprachen gemittelt, die Lara Mini unterstützt – das begünstigt das eigene Modell tendenziell. Verglichen wurden außerdem nur Basismodelle, keine auf Anweisungen trainierten Chat-Versionen. Und die Qualität schwankt je nach Sprache: Aserbaidschanisch und Bengalisch gehören zu den schwächsten, weil es dort wenig Trainingsdaten gibt.

Bei der Geschwindigkeit misst Translated rund 1.100 erzeugte Zeichen pro Sekunde für einen einzelnen Nutzer auf einer A100-Grafikkarte, ohne Quantisierung (also ohne das Modell durch gröber gespeicherte Zahlen zu verkleinern). Jedes Modell mit besserem Gesamtwert war im Vergleich mindestens 1,8-mal langsamer. Der Vorsprung ist bei einem einzelnen Nutzer mit langen Eingaben am größten und schrumpft, wenn sich viele Nutzer eine GPU teilen.

Was du zum Ausprobieren brauchst

Zuerst musst du Zugang beantragen – Translated prüft jede Anfrage. Wird sie bewilligt, ist das Modell mit 7,2 Milliarden Parametern recht handlich: In voller Präzision (16 Bit) belegen die Gewichte etwa 15 GB, eine Grafikkarte mit 16–24 GB VRAM reicht also; quantisiert auf 4 Bit dürften grob 6 GB genügen – das ist eine Schätzung, offizielle Angaben oder fertige quantisierte Dateien nennen die Quellen nicht. Weil nur 0,6 Milliarden Parameter pro Token rechnen, ist das Modell auch auf schwächerer Hardware vergleichsweise schnell. Ob gängige Programme wie llama.cpp oder Ollama die ungewöhnliche Architektur mit Gated DeltaNet schon unterstützen, ist unklar. Rechne also eher mit Python und der Transformers-Bibliothek. Lange Kontexte bis 131.072 Tokens brauchen zusätzlichen Speicher, wegen der Architektur aber weniger als bei klassischen Modellen.

Wichtig: Lara Mini ist ein Basismodell. Es setzt Texte fort, beantwortet aber keine Fragen wie ein Chatbot und hat kein Sicherheitstraining. Die Modellkarte warnt, dass es falsche, voreingenommene oder beleidigende Texte erzeugen kann.

Produktpläne

Lara Mini gehört zur neuen Modellfamilie Lara 4, die künftig den Übersetzungsdienst Lara Translate antreiben soll. Laut einem Nachtrag vom 13. November ist das Modell dort noch nicht im Einsatz. Geplant ist, es in der nächsten Version der App als Grundlage für eine Offline-Übersetzung zu nutzen, die direkt auf dem Smartphone läuft – Texte würden das Gerät dann nicht verlassen. Welche Sprachen zum Start unterstützt werden, ist offen. Ausgewählte Firmenkunden sollen außerdem Zugang bekommen, etwa um das Modell für „souveräne“ Spezialanwendungen weiterzutrainieren. Kommerzielle Lizenzen bietet Translated separat an.

Einordnung

Lara Mini ist vor allem als Signal interessant: Ein europäisches Unternehmen zeigt, dass ein kleines, effizientes Modell mit gleichberechtigtem Fokus auf viele Sprachen in seiner Klasse vorn mitspielen kann – mit einem Bruchteil der Trainingsdaten von Qwen oder IBMs Granite. Für europäische Sprachen, die bei US-Modellen oft zu kurz kommen, ist das eine gute Nachricht.

Einschränkungen gibt es aber einige. Alle Benchmarks stammen vom Hersteller, eine unabhängige Prüfung steht aus. Die Bewertungsmethode bevorzugt das eigene Modell leicht, weil über die eigenen Sprachen gemittelt wird. Die These, Sprachvielfalt sei „eine Quelle von Intelligenz“, geht in der Pressemitteilung weiter, als der technische Bericht selbst belegt. Und praktisch ist der Nutzen für normale Anwender begrenzt: Gated-Zugang, nicht-kommerzielle Lizenz, keine Chat-Fähigkeit. Der eigentliche Praxistest kommt mit der geplanten Offline-Übersetzungs-App: Dann zeigt sich, ob die Effizienz auch auf dem Smartphone hält.