RéponsesPublié25 sources
Mistral Large 4 : les progrès en programmation, les promesses en cybersécurité et les réserves
Mistral a publié les poids de Large 4 le 29 octobre. L’entreprise annonce une progression de 28 % à 41 % au test Terminal Bench 4.0 après un entraînement supplémentaire par renforcement.
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- Mistral a publié les poids de Large 4 le 29 octobre. L’entreprise annonce une progression de 28 % à 41 % au test Terminal Bench 4.0 après un entraînement supplémentaire par renforcement.
- Ce modèle multimodal compte 1,05 billion de paramètres au total. Sa licence, une version modifiée de la licence MIT, mérite d’être examinée avant tout usage commercial.
- Mistral revendique un score de 51 % au Cyber Index et un taux moyen de refus de 96,6 % pour les requêtes cyber malveillantes : ces chiffres ne garantissent pas que les poids ouverts ne puissent pas être détournés.
Prompt IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What are the key details and implications of France’s Mistral releasing the open weights of its flagship Mistral Large 4 model, nicknamed “L. Article summary: Mistral released the open weights of Mistral Large 4, “Le Chonk,” on October 29, following its October 6 preview, and claims leading open-weight performance in coding and defensive cybersecurity.[9] The available evidenc. Topic tags: general, general web, user generated, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
Mistral a publié le 29 octobre les poids de Mistral Large 4, surnommé « Le Chonk », après en avoir présenté une version préliminaire le 6 octobre. L’entreprise met en avant un modèle plus performant en programmation et en cybersécurité défensive. Les progrès annoncés sont intéressants, mais ils correspondent à des évaluations précises : ils ne permettent pas de conclure que le modèle est le meilleur pour tous les usages.4
7
9
18
Des progrès mesurés depuis la préversion
Selon Mistral, un entraînement supplémentaire par renforcement a fait passer le score de Large 4 à Terminal-Bench 4.0 de 28 % lors de la préversion à 41 % dans la version publiée, soit une hausse de 13 points de pourcentage.21
31 Le modèle obtient aussi, d’après les résultats rapportés, 48 % à l’Artificial Analysis Coding Agent Index, à égalité avec GLM-5.3. Dans cette comparaison, Large 4 aurait utilisé 47 % de jetons en moins par tâche.
31
35
Ces scores portent sur des tests particuliers. Ils ne démontrent pas que le modèle sera plus efficace pour tous les travaux de programmation. De même, consommer moins de jetons ne signifie pas automatiquement que le coût total d’exploitation sera inférieur. Les informations disponibles ne fournissent pas non plus de comparaison chiffrée et équivalente avec Mythos 5.1, le modèle fermé d’Anthropic.
Un modèle multimodal d’un billion de paramètres
La documentation de Mistral décrit Large 4 comme un modèle multimodal à mélange d’experts, doté de 1,05 billion de paramètres au total et d’un encodeur visuel de 1,6 milliard de paramètres.17 Ce total mérite d’être nuancé : la fiche du modèle sur Hugging Face indique 49 milliards de paramètres actifs par jeton, ou 52 milliards si l’on inclut les couches d’embeddings et de sortie.
20
Lors de la présentation du modèle, Mistral a indiqué l’avoir entraîné sur 3 800 processeurs graphiques Nvidia Grace Blackwell installés dans ses centres de données européens.6 La version publiée propose trois niveaux de raisonnement — faible, moyen et élevé — pour ajuster l’effort demandé au modèle.
34
Des poids ouverts, mais une licence à lire
Les poids sont accessibles sur Hugging Face. La licence publiée, appelée Mistral Ecosystem Open-Weight License, est présentée comme une version modifiée de la licence MIT.18
32 L’expression « poids ouverts » ne signifie donc pas que toutes les formes de redistribution ou de service hébergé relèvent automatiquement des conditions habituelles de la licence MIT. Les organisations qui envisagent un usage commercial devraient consulter le texte de la licence et vérifier les conditions applicables à leur projet.
32
36
La mise à disposition des poids permet aux équipes de récupérer le modèle au lieu de dépendre uniquement de l’API d’un fournisseur. Elle peut ouvrir la voie à l’hébergement sur sa propre infrastructure ou à la modification du modèle. La publication, à elle seule, ne précise toutefois pas les ressources nécessaires à chaque déploiement.
Les résultats en cybersécurité à interpréter avec prudence
Les comptes rendus de la sortie font état d’un score de 51 % à l’Artificial Analysis Cyber Index et d’un taux moyen de refus de 96,6 % pour les requêtes cyber malveillantes.31
33 Il s’agit de résultats rapportés sur des évaluations, et non d’une garantie que le modèle refusera toute demande dangereuse ou que la publication de ses poids ne présente aucun risque de détournement.
La performance en cybersécurité défensive et la résistance aux demandes malveillantes ne mesurent pas la même chose. Ces chiffres doivent être lus à la lumière des détails des tests et des conditions d’utilisation envisagées ; à eux seuls, ils ne tranchent pas la question des risques liés à un modèle largement accessible.
Ce que cette publication montre — et ce qu’elle ne prouve pas
Large 4 ajoute une option à poids ouverts développée en Europe sur un marché où coexistent des modèles ouverts et fermés issus d’autres régions. Mistral souligne son infrastructure d’entraînement européenne et ses résultats face à des modèles concurrents à poids ouverts.6
15
18 Pour les utilisateurs, l’enjeu concret tient surtout à la possibilité d’obtenir et de déployer les poids, et non à une conclusion générale sur la qualité d’un modèle fondée sur son pays d’origine.
Le constat le mieux étayé reste ciblé : Mistral annonce des progrès notables entre la préversion et la version publiée sur des tests de programmation, ainsi qu’un score compétitif à un indice d’agents de programmation avec une consommation de jetons inférieure dans une comparaison donnée. Ces résultats peuvent justifier d’évaluer Large 4 sur des tâches réelles. Ils ne démontrent pas une supériorité générale, ne valident pas indépendamment toutes les affirmations en cybersécurité et ne dispensent pas d’examiner la licence et les risques liés au déploiement.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Mistral Large 4 : les progrès en programmation, les promesses en cybersécurité et les réserves » ?
Mistral a publié les poids de Large 4 le 29 octobre. L’entreprise annonce une progression de 28 % à 41 % au test Terminal Bench 4.0 après un entraînement supplémentaire par renforcement.
Quels sont les points clés à valider en premier ?
Mistral a publié les poids de Large 4 le 29 octobre. L’entreprise annonce une progression de 28 % à 41 % au test Terminal Bench 4.0 après un entraînement supplémentaire par renforcement. Ce modèle multimodal compte 1,05 billion de paramètres au total. Sa licence, une version modifiée de la licence MIT, mérite d’être examinée avant tout usage commercial.
Que dois-je faire ensuite en pratique ?
Mistral revendique un score de 51 % au Cyber Index et un taux moyen de refus de 96,6 % pour les requêtes cyber malveillantes : ces chiffres ne garantissent pas que les poids ouverts ne puissent pas être détournés.