AnswersPublished25 sources
Mistral Large 4 apre i suoi pesi: progressi nel coding, ma con alcune cautele
Mistral ha pubblicato i pesi di Large 4 il 29 ottobre: dopo un ulteriore addestramento con reinforcement learning, il risultato su Terminal Bench 4.0 è salito dal 28% al 41%. Il modello multimodale conta 1.050 miliardi di parametri complessivi.
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- Mistral ha pubblicato i pesi di Large 4 il 29 ottobre: dopo un ulteriore addestramento con reinforcement learning, il risultato su Terminal Bench 4.0 è salito dal 28% al 41%.
- Il modello multimodale conta 1.050 miliardi di parametri complessivi. La licenza è una versione modificata della MIT: prima di offrire un servizio basato sul modello, è importante verificarne i termini.
- Mistral dichiara il 51% sull’Artificial Analysis Cyber Index e un tasso medio di rifiuto del 96,6% per richieste informatiche malevole: nessuno dei due dati garantisce che i pesi aperti siano impossibili da usare in m...
AI Prompt
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 ha pubblicato i pesi di Mistral Large 4, soprannominato «Le Chonk», il 29 ottobre, dopo aver presentato un’anteprima il 6 ottobre. L’azienda propone il modello come una nuova alternativa open-weight per la programmazione e la cybersicurezza difensiva. I risultati dichiarati sono interessanti, ma vanno letti per quello che sono: misurazioni su compiti specifici, non la prova che il modello sia il migliore in ogni situazione.4
7
9
18
Cosa è cambiato rispetto all’anteprima
Secondo Mistral, un ulteriore ciclo di reinforcement learning ha portato il punteggio di Large 4 su Terminal-Bench 4.0 dal 28% dell’anteprima al 41% della versione pubblicata: un aumento di 13 punti percentuali.21
31 Nell’Artificial Analysis Coding Agent Index il modello ha ottenuto il 48%, alla pari con GLM-5.3; nello stesso confronto, secondo i resoconti, ha usato il 47% di token in meno per attività.
31
35
Questi numeri riguardano valutazioni determinate. Non descrivono tutte le attività di sviluppo software e, da soli, non dimostrano che un minor consumo di token si traduca in costi complessivi inferiori. Le informazioni disponibili non offrono inoltre un confronto numerico verificabile, a parità di condizioni, con Mythos 5.1 di Anthropic.
Un modello multimodale da oltre mille miliardi di parametri
La documentazione di Mistral descrive Large 4 come un modello multimodale basato su un’architettura mixture-of-experts, con 1.050 miliardi di parametri complessivi e un encoder visivo da 1,6 miliardi di parametri.17 Il totale, però, va contestualizzato: la scheda su Hugging Face indica 49 miliardi di parametri attivi per token, oppure 52 miliardi includendo gli embedding e il livello di output.
20
Nell’annuncio dell’anteprima, Mistral ha dichiarato che il modello è stato addestrato con 3.800 GPU Nvidia Grace Blackwell nei propri data center europei.6 La versione pubblicata offre tre livelli di ragionamento — basso, medio e alto — così che gli utenti possano scegliere quanta elaborazione dedicare al compito.
34
Pesi aperti, ma una licenza da leggere
I pesi sono disponibili su Hugging Face con la licenza Mistral Ecosystem Open-Weight License, descritta nel testo come una versione modificata della licenza MIT.18
32 «Pesi aperti», quindi, non significa automaticamente che ogni forma di redistribuzione o di servizio ospitato sia regolata dalle condizioni standard della MIT. Chi intende integrare il modello in un’offerta commerciale dovrebbe consultare la licenza e verificare quali clausole si applicano al proprio caso.
32
36
La disponibilità dei pesi permette ai team di scaricare il modello, invece di dipendere soltanto dall’accesso tramite l’API di un fornitore. Può rendere possibili l’hosting autonomo e le modifiche, ma la pubblicazione non dice, da sola, quale infrastruttura servirà per una specifica installazione.
Le dichiarazioni sulla cybersicurezza vanno interpretate con cautela
I resoconti sul lancio riportano un punteggio del 51% sull’Artificial Analysis Cyber Index e un tasso medio di rifiuto del 96,6% per richieste informatiche malevole.31
33 Sono risultati di valutazioni dichiarati o riportati, non una garanzia che il modello rifiuti ogni richiesta dannosa o che la pubblicazione dei pesi elimini i rischi di uso improprio.
Le capacità di difesa informatica e la resistenza alle richieste malevole misurano aspetti diversi. Per valutare il modello in un contesto reale, occorre considerare i dettagli dei test e le esigenze della propria applicazione: quei dati, da soli, non risolvono la questione dei rischi legati a un modello ampiamente accessibile.
Cosa indica il lancio — e cosa non dimostra
Large 4 aggiunge un’opzione open-weight sviluppata in Europa a un mercato che comprende modelli aperti e chiusi di diverse aree del mondo. Mistral ha messo in evidenza l’infrastruttura europea usata per l’addestramento e i risultati del modello rispetto ai concorrenti open-weight.6
15
18 Per gli utenti, la differenza concreta sta nella possibilità di ottenere e distribuire i pesi, non in una conclusione generale sulla qualità del modello basata sul Paese d’origine.
La conclusione più solida è circoscritta: Mistral riferisce progressi nei test di coding tra l’anteprima e la versione pubblicata, oltre a un risultato competitivo nell’indice per agenti di programmazione e a un minore uso di token in uno specifico confronto. Sono elementi che possono rendere Large 4 interessante da provare sui compiti di un team. Non dimostrano una superiorità generale, non verificano in modo indipendente ogni dichiarazione sulla cybersicurezza e non sostituiscono l’analisi della licenza e dei rischi di implementazione.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Mistral Large 4 apre i suoi pesi: progressi nel coding, ma con alcune cautele"?
Mistral ha pubblicato i pesi di Large 4 il 29 ottobre: dopo un ulteriore addestramento con reinforcement learning, il risultato su Terminal Bench 4.0 è salito dal 28% al 41%.
What are the key points to validate first?
Mistral ha pubblicato i pesi di Large 4 il 29 ottobre: dopo un ulteriore addestramento con reinforcement learning, il risultato su Terminal Bench 4.0 è salito dal 28% al 41%. Il modello multimodale conta 1.050 miliardi di parametri complessivi. La licenza è una versione modificata della MIT: prima di offrire un servizio basato sul modello, è importante verificarne i termini.
What should I do next in practice?
Mistral dichiara il 51% sull’Artificial Analysis Cyber Index e un tasso medio di rifiuto del 96,6% per richieste informatiche malevole: nessuno dei due dati garantisce che i pesi aperti siano impossibili da usare in m...