Summary

Language code bar
English name of the language Bavarian
Text direction Left to right
Case sensitivity Case-sensitive
Number of speakers 22,819,828
Plural: Default plural 54 translations
Number of plurals 2
Plural type One/other
Plurals Singular 1
Plural 0, 2, 3, 4, 5, 6, 7, 8, 9, 10, …
Plural formula n != 1
04/22/2026

String statistics

Strings percent Hosted strings Words percent Hosted words Characters percent Hosted characters
Total 39,556 287,364 1,951,952
Approved 1% 59 1% 204 1% 1,182
Waiting for review 4% 1,650 2% 8,086 2% 49,441
Translated 4% 1,775 2% 8,362 2% 51,140
Needs editing 1% 115 1% 277 1% 3,066
Read-only 1% 66 1% 72 1% 517
Failing checks 1% 282 1% 1,209 1% 8,811
Strings with suggestions 1% 38 1% 50 1% 290
Untranslated strings 95% 37,666 96% 278,725 97% 1,897,746
Last 12 months Previous

Activity in last 12 months

43 changes 43 changes 5 changes 33 changes 62 changes 18,926 changes 23 changes 12,032 changes 28 changes 680 changes 29 changes 172 changes 26 changes 571 changes 81 changes 12,479 changes 89 changes 655 changes 37 changes 536 changes 17 changes 583 changes 18 changes 506 changes
AprMayJunJulAugSepOctNovDecJanFebMar

Quick numbers

284 k
Hosted words
39,476
Hosted strings
4%
Translated
57
Contributors
and previous 30 days

Trends of last 30 days

+13%
Hosted words
+100%
+13%
Hosted strings
+100%
−1%
Translated
+4%
−83%
Contributors
+100%
User avatar None

Resource updated
The “frontend/locales/messages/fr.json” file was changed. 04/22/2026
User avatar None

String added in the repository
<p>La taille exacte du modèle n'est pas communiquée, mais il repose sur une architecture de type mélange d'experts (MoE, Mixture of Experts) combinée à une attention linéaire. Cette architecture active uniquement un sous-ensemble de paramètres pour chaque jeton, ce qui réduit la puissance de calcul nécessaire. Sa fenêtre de contexte va jusqu'à 1 million de jetons, ce qui permet de traiter de très grands corpus documentaires. Les modèles de raisonnement de ce type fonctionnent plus longtemps pour produire une réponse, ce qui augmente la consommation énergétique.</p>
 
generated.models.Qwen 3.6 Plus.size_desc
04/22/2026
User avatar None

String added in the repository
<p>Annoncé officiellement par Alibaba le 2 avril 2026, Qwen 3.6 Plus a été mis à disposition en préversion sur OpenRouter fin mars 2026. L'éditeur le positionne comme compatible avec plusieurs assistants de code tiers, dont Claude Code et Cline, pour permettre des flux de travail automatisés où le modèle traduit des exigences complexes en code fonctionnel.</p>
<p>L'architecture hybride associe une attention linéaire à un routage de mélange d'experts épars, dans la continuité de la série Qwen 3.5. Les poids de Qwen 3.6 Plus ne sont pas publiés et l'accès se fait uniquement via API, ce qui tranche avec la majorité des modèles Qwen, publiés en poids ouverts. Selon l'éditeur, le modèle est optimisé pour la stabilité et la précision requises dans les environnements professionnels, notamment pour le suivi d'instructions, la reconnaissance de textes complexes et la perception visuelle fine. Aucun score de référence public indépendant n'était disponible au moment de l'annonce.</p>
 
generated.models.Qwen 3.6 Plus.fyi
04/22/2026
User avatar None

String added in the repository
<p>Modèle phare de la nouvelle génération Qwen 3.6, conçu par Alibaba autour de l'« agentic coding » : il sait décomposer un projet de programmation, écrire le code, le tester et corriger ses propres erreurs jusqu'à aboutir à un résultat fonctionnel. Il se distingue aussi par une très grande fenêtre de contexte, qui lui permet d'ingérer des bases de code ou des corpus documentaires entiers. C'est l'un des rares modèles propriétaires publiés par Qwen, qui sort habituellement beaucoup de modèles en poids ouverts.</p>
 
generated.models.Qwen 3.6 Plus.desc
04/22/2026
User avatar None

String added in the repository
<p>Avec 230 milliards de paramètres, MiniMax M2.7 se place dans la catégorie des très grands modèles. Grâce à une architecture de mélange d'experts (MoE, Mixture of Experts), il n'active que 10 milliards de paramètres par jeton généré, ce qui réduit considérablement l'empreinte par rapport à un modèle dense de même taille. Sa fenêtre de contexte atteint environ 200 000 jetons, ce qui est adapté à l'analyse de longs documents. Les modèles de raisonnement de ce type fonctionnent plus longtemps pour produire une réponse, ce qui augmente la consommation énergétique.</p>
 
generated.models.MiniMax M2.7.size_desc
04/22/2026
User avatar None

String added in the repository
<p>Annoncé le 18 mars 2026 puis publié en poids ouverts le 12 avril 2026, M2.7 optimise de manière autonome ses propres scaffolds de programmation sur plus d'une centaine de cycles, avec un gain de performance d'environ 30 % revendiqué par MiniMax. L'architecture s'appuie sur 256 experts dont 8 sont activés par jeton, dans la continuité de la génération M2.5.</p>
<p>Selon l'éditeur, le modèle obtient 56,22 % sur SWE-Pro, au niveau de GPT 5.3 Codex, et 76,5 % sur SWE Multilingual. Son score ELO de 1495 sur GDPval-AA serait le plus élevé parmi les modèles à poids ouverts. Le modèle met l'accent sur la collaboration multi-agents avec une identité de rôle stable, la recherche dynamique d'outils et l'orchestration de compétences complexes, notamment pour des tâches d'analyse de métriques, de vérification de causes racines et de décisions de type SRE (Site Reliability Engineering). La licence autorise un usage non commercial libre mais impose une autorisation écrite préalable pour tout usage commercial.</p>
 
generated.models.MiniMax M2.7.fyi
04/22/2026
User avatar None

String added in the repository
<p>Très grand modèle semi-ouvert spécialisé dans le code et les tâches agentiques, conçu par MiniMax, entreprise basée à Shanghai. Il est présenté par l'éditeur comme un modèle « auto-évolutif » : il optimise de manière autonome ses propres méthodes de résolution de tâches, avec un gain de performance significatif revendiqué. Selon l'éditeur, il rivalise avec les meilleurs modèles propriétaires sur l'ingénierie logicielle tout en étant publié en poids ouverts.</p>
 
generated.models.MiniMax M2.7.desc
04/22/2026
User avatar None

String added in the repository
<p>Avec 24 milliards de paramètres, ce modèle se place dans la catégorie des modèles de taille moyenne. Grâce à une architecture de mélange d'experts (MoE, Mixture of Experts), il n'active que 2,3 milliards de paramètres par jeton généré, ce qui le rend très économe en calcul. Il peut être utilisé localement sur un ordinateur puissant disposant d'au moins 32 Go de mémoire vive, garantissant la confidentialité des données, ou hébergé sur un serveur équipé d'une seule carte graphique, ce qui limite les coûts d'infrastructure. Sa fenêtre de contexte, de 32 768 jetons, peut être limitante pour l'analyse de documents très longs.</p>
 
generated.models.LFM2 24B A2B.size_desc
04/22/2026
User avatar None

String added in the repository
<p>Publié par Liquid AI le 24 février 2026, LFM2-24B-A2B est le plus grand modèle de la famille LFM2. L'architecture hybride combine 30 couches de convolution courte à portes (gated short convolution) et 10 couches d'attention à requêtes groupées (grouped query attention, GQA), ce qui permet d'obtenir un préremplissage et une génération rapides tout en limitant l'empreinte mémoire. Le routage MoE utilise 64 experts avec une sélection top-4, et seuls 2,3 milliards de paramètres sont actifs par jeton.</p>
<p>Le modèle a été entraîné sur plus de 17 000 milliards de jetons, le préentraînement étant toujours en cours selon Liquid AI au moment de la publication. Selon l'éditeur, il atteint un débit de décodage d'environ 26 800 jetons par seconde sur une carte H100 avec 1 024 requêtes simultanées, supérieur à celui de Qwen3 30B A3B et GPT OSS-20B dans ses tests internes. Le modèle est publié sous licence LFM Open License v1.0, avec une prise en charge dès le jour de sortie pour llama.cpp, vLLM et SGLang, ainsi que des quantifications en GGUF, ONNX et MLX.</p>
 
generated.models.LFM2 24B A2B.fyi
04/22/2026
User avatar None

String added in the repository
<p>Modèle ouvert conçu par Liquid AI pour un déploiement efficace, y compris en local sur un ordinateur puissant. Sa particularité est de générer du texte nettement plus rapidement qu'un modèle de taille équivalente, grâce à une architecture qui sort des sentiers battus des modèles dominants actuels.</p>
 
generated.models.LFM2 24B A2B.desc
04/22/2026
Browse all changes for this language