답변게시됨2시간 전Last edited 2시간 전25 소스

미스트랄 라지 4의 오픈 웨이트 공개, 벤치마크와 보안 주장을 살펴보니

미스트랄은 10월 29일 라지 4의 오픈 웨이트를 공개했다. 추가 강화학습 이후 터미널 벤치 4.0 점수가 프리뷰의 28%에서 41%로 올랐다고 밝혔다.[21][31] 이 모델은 총 1조 500억 개의 파라미터를 갖춘 멀티모달 모델이다.

게시자GPT-6 Luna로 편집GPT Image 2로 이미지 생성

Studio Global AI로 검색 및 팩트체크 인기 페이지 더 보기

연구 답변

주요 시사점

미스트랄은 10월 29일 라지 4의 오픈 웨이트를 공개했다. 추가 강화학습 이후 터미널 벤치 4.0 점수가 프리뷰의 28%에서 41%로 올랐다고 밝혔다.[21][31]
이 모델은 총 1조 500억 개의 파라미터를 갖춘 멀티모달 모델이다. 라이선스는 MIT 라이선스의 수정판이므로 상용 서비스에 활용하기 전 조건을 확인해야 한다.[17][32]
미스트랄은 사이버 인덱스 51%, 악의적인 사이버 요청에 대한 평균 거부율 96.6%를 제시했다. 이 수치가 오픈 웨이트의 오용 가능성이 없다는 뜻은 아니다.[31][33]

Conceptual editorial illustration for Mistral Large 4 and its open-weight AI release — What are the key details and implications of France’s Mistral releasing the open weights of its flagship Mistral Large 4 model, nicknamed “LConceptual illustration accompanying coverage of Mistral Large 4’s open-weight release.
AI 프롬프트
Create 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,
openai.com

미스트랄은 10월 6일 프리뷰를 선보인 뒤 10월 29일 대형 모델 ‘미스트랄 라지 4’의 오픈 웨이트를 공개했다. 별칭은 ‘르 숑크(Le Chonk)’다. 회사는 이 모델을 코딩과 방어적 사이버 보안에 강한 오픈 웨이트 선택지로 소개한다. 공개된 벤치마크 수치는 눈에 띄지만, 특정 평가에서의 결과를 모든 작업에 통하는 우위로 확대 해석해서는 안 된다.4 7 9 18

프리뷰에서 무엇이 달라졌나

미스트랄에 따르면 추가 강화학습을 거친 정식 공개 버전의 터미널 벤치 4.0 점수는 41%다. 10월 프리뷰 당시 28%에서 13%포인트 상승했다.21 31 Artificial Analysis 코딩 에이전트 지수에서는 48%를 기록해 GLM-5.3과 동률을 이뤘으며, 해당 비교에서 작업당 토큰을 47% 적게 사용했다는 보도도 나왔다.31 35

다만 이 수치는 각각 특정 평가에서 나온 결과다. 다양한 프로그래밍 업무 전반에서 성능이 앞선다는 뜻은 아니다. 토큰 사용량이 적다고 실제 운영비까지 자동으로 낮아지는 것도 아니다. Anthropic의 Mythos 5.1과 조건을 맞춘 수치 비교 역시 제공된 자료에서는 확인되지 않는다.

총 1조 500억 파라미터의 멀티모달 모델

미스트랄 문서에 따르면 라지 4는 전문가 혼합(MoE) 구조의 멀티모달 모델이다. 전체 파라미터는 1조 500억 개이며, 비전 인코더는 16억 개 파라미터로 구성된다.17 전체 규모와 실제 토큰 처리에 쓰이는 파라미터 수는 구분해서 볼 필요가 있다. 허깅페이스 모델 설명에는 토큰당 활성 파라미터가 490억 개, 임베딩과 출력 계층을 포함하면 520억 개라고 적혀 있다.20

미스트랄은 프리뷰 발표 당시 유럽 내 자사 데이터센터의 엔비디아 그레이스 블랙웰 GPU 3,800개를 사용해 모델을 학습했다고 밝혔다.6 공개 보도에 따르면 추론 강도는 낮음·중간·높음의 세 단계로 설정할 수 있다.34

‘오픈 웨이트’가 곧 표준 MIT 조건은 아니다

모델 가중치는 허깅페이스에서 이용할 수 있다. 공개된 라이선스의 이름은 ‘Mistral Ecosystem Open-Weight License’이며, 문서에는 수정된 MIT 라이선스라고 명시돼 있다.18 32 따라서 ‘오픈 웨이트’라는 표현만 보고 일반적인 MIT 라이선스와 조건이 완전히 같다고 이해해서는 안 된다. 특히 모델을 호스팅해 서비스하는 사업을 계획한다면 라이선스 원문을 검토하고 해당 사용 방식에 적용되는 조건을 확인해야 한다.32 36

가중치 공개의 실질적인 의미는 이용자가 제공업체 API에만 의존하지 않고 모델 파일을 확보할 수 있다는 점이다. 이를 통해 자체 호스팅이나 모델 수정이 가능해질 수 있지만, 공개 사실만으로 각 배포 환경에 필요한 인프라 규모까지 알 수 있는 것은 아니다.

사이버 보안 수치는 보장이나 면책이 아니다

공개 보도는 라지 4가 Artificial Analysis 사이버 인덱스에서 51%를 기록했고, 악의적인 사이버 요청을 평균 96.6% 거부했다고 전한다.31 33 이는 특정 평가에서 보고된 결과이지, 유해한 요청을 예외 없이 거부한다거나 가중치 공개에 오용 위험이 없다는 보증은 아니다.

방어적 보안 능력을 평가하는 점수와 악의적인 프롬프트에 얼마나 잘 저항하는지는 서로 다른 항목이다. 실제 도입을 검토할 때는 평가 방법과 사용 환경을 함께 살펴야 한다. 두 수치만으로 널리 배포된 모델의 위험을 모두 판단할 수는 없다.

공개가 보여주는 것, 아직 입증하지 못한 것

라지 4는 유럽에서 개발된 오픈 웨이트 모델을 찾는 조직에 또 하나의 선택지를 제공한다. 미스트랄은 유럽 내 학습 인프라와 오픈 웨이트 경쟁 모델을 상대로 한 성능을 강조해 왔다.6 15 18 이용자 관점에서 중요한 차이는 개발사의 국적만이 아니라, 가중치를 직접 확보해 살펴보고 배포할 수 있는지 여부다.

현재 자료에서 가장 분명하게 말할 수 있는 것은 프리뷰 이후 코딩 벤치마크 점수가 개선됐다는 점, 그리고 한 코딩 에이전트 지수에서 GLM-5.3과 같은 점수를 기록하면서 작업당 토큰 사용량은 더 적었다는 보고다. 실제 업무에 맞는지는 각 팀이 자체 과제로 시험해볼 만하다. 그러나 이 결과만으로 모든 영역에서의 우위나 모든 사이버 보안 주장의 독립적인 검증이 입증되는 것은 아니다. 라이선스와 배포 위험도 별도로 따져야 한다.

Studio Global AI

연구를 계속하세요

이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.

Studio Global AI로 검색 및 팩트체크

사람들은 또한 묻습니다.