Mistral открыла веса своей модели Large 4 с 1 триллионом параметров
- Mistral опубликовала веса модели на Hugging Face: у неё 1 трлн параметров, из которых 52 млрд задействуются для каждой задачи.
- После трёх дополнительных недель обучения с подкреплением результат в Terminal-Bench 4.0 вырос с 28% до 41%; в CyberGym-E2E модель набрала 79%.
- Квантованная версия работает на четырёх GPU Nvidia B200 или B300; дистиллированные версии, в том числе для ноутбуков, обещаны в ближайшие месяцы.
Почему это важно: По словам вице-президента Mistral, распространённые в интернете веса нельзя отозвать, поэтому компании не будут зависеть от того, кто может отключить им доступ.
Mistral опубликовала веса Mistral Large 4 — модели с 1 трлн параметров, которую компания представила в превью три недели назад, — и версия, ныне доступная на Hugging Face, заметно мощнее.
Парижская компания утверждает, что три дополнительные недели обучения с подкреплением с учётом отзывов клиентов сделали ML4 сильнейшей открытой моделью для агентного программирования и киберзащиты.
Модель, получившая прозвище «Le Chonk», воспринимает текст и изображения, генерирует текст и код и задействует 52 млрд своих параметров для каждой задачи. Mistral также выпускает квантованную версию, которая работает на четырёх GPU Nvidia B200 или B300.
Проще всего заметить прирост в программировании. В Terminal-Bench 4.0, который проверяет агентное программирование в терминале, ML4 поднялась с 28% на этапе превью до 41%, немного опередив GLM-5.3 с результатом 40%.
В Coding Agent Index от Artificial Analysis она соперничает с GLM-5.3, расходуя в среднем на 47% меньше токенов на задачу, — экономия, которая накапливается, когда агенты-программисты работают часами.
Результаты в Terminal-Bench 4.0 — части Coding Agent Index от Artificial Analysis, проверяющей агентное программирование в терминале. — Источник: Mistral AI
В области киберзащиты ML4 набрала 79% в CyberGym-E2E — тесте, проверяющем, способна ли модель находить, воспроизводить и исправлять реальные ошибки безопасности памяти в open-source-проектах на C и C++, — сравнявшись с MiMo-V2.6-Pro и обойдя DeepSeek V4.1 Flash с 76%.
Результаты в CyberGym-E2E — части Cyber Index от Artificial Analysis, проверяющей поиск, воспроизведение и исправление ошибок безопасности памяти в проектах на C и C++. — Источник: Mistral AI
Первые тестировщики, которых Mistral описывает лишь как государственные структуры и предприятия, хотели больше контроля над тем, как долго модель «думает».
В ответ компания добавила к высокому режиму рассуждений низкий и средний, а высокий сделала на 50% эффективнее. Некоторые клиенты уже используют ML4 для автоматизированного тестирования на проникновение, запуская специализированных агентов, которые ищут лазейки в их собственных приложениях и описывают найденное.
Пьер Сток, вице-президент Mistral по науке, представил открытый релиз как вопрос непрерывности.
«ИИ станет чем-то вроде электричества», — сказал он, и ни одна компания не должна зависеть от того, кто может отключить ей доступ «в одночасье».
По его словам, как только веса распространятся в интернете, доступ уже невозможно отозвать, хотя конкуренты утверждают, что открытые модели несут больше рисков.
Ту же логику он применил к китайским лабораториям, доминирующим в сегменте открытых моделей. Ничто не гарантирует, что они продолжат публиковать веса, сказал он, а их модели менее прозрачны и могут быть превращены в векторы атак.
С другой стороны, Mistral создала ML4, располагая лишь малой долей ресурсов, доступных как закрытым лабораториям, так и её китайским конкурентам, — это утверждение трудно проверить, учитывая, как мало китайские лаборатории раскрывают о стоимости обучения. И действительно, никто другой не достиг такого уровня со столь скромными ресурсами: у конкурентов было больше финансирования и выше оценки.
Mistral также делает акцент на эффективности. ML4 обучалась на 3 800 GPU Nvidia Grace Blackwell в Европе, а обучение с подкреплением проходило на собственных вычислительных мощностях компании во Франции, потреблявших около 10 мегаватт.
«Другие лаборатории привлекли сотни миллиардов на разработку эквивалентных возможностей; за три года Mistral привлекла около 6 млрд долларов», — сказал Артур Менш, генеральный директор компании.
В ближайшие месяцы появятся уменьшенные дистиллированные версии, включая ту, что работает на ноутбуке, хотя конкретных сроков Mistral не назвала. Цены на API для ML4 пока не опубликованы, и Сток заметил, что расценки за токен вводят в заблуждение, когда модели требуется гораздо меньше токенов на задачу.
ML4 доступна на Hugging Face, через API Mistral и части пользователей Vibe. Дальше — испытание посложнее: Сток хочет, чтобы Mistral не просто однажды вышла на передний край, а «задавала темп переднего края».
