Mistral Shieldstral 1.0: Bezpieczeństwo AI w pigułce

4 sierpnia 2026 roku Mistral AI wypuścił Shieldstral 1.0 – klasyfikator bezpieczeństwa multimodalnego z otwartymi wagami (3 miliardy parametrów) na licencji Apache 2.0 . Zamiast sztywnej taksonomii szkodliwych treści model zadaje pytania w języku naturalnym i odpowiada „tak/nie”. Dzięki temu operatorzy mogą definiować polityki bezpieczeństwa w locie, bez potrzeby przekwalifikowywania . Shieldstral dorównuje lub przewyższa modele zabezpieczające nawet 7× większe .

Jak działa moderacja „pytanie-odpowiedź”?

Shieldstral ocenia treść na podstawie polityki wyrażonej jako proste pytanie. Każde zapytanie składa się z trzech części :

• <Instruct> – instrukcja i kontekst: poziom rygorystyczności i (opcjonalnie) definicja, co uznajemy za niebezpieczne.
• <Query> – jedno pytanie „tak/nie” o treść, np. „Czy ten materiał promuje przemoc fizyczną?”.
• <Document> – treść do oceny: prompt, odpowiedź, para prompt–odpowiedź lub obraz (opcjonalnie z tekstem).

Model zwraca ciągły wynik bezpieczeństwa, który można progować na decyzję binarną . Mistral zaleca jedno pytanie na zapytanie; dla wielu polityk wykonuje się osobne wywołania .

Takie podejście eliminuje potrzebę wbudowanej w model, sztywnej taksonomii. Shieldstral dostosowuje się do dowolnej polityki, którą można zapisać jako pytanie .

Wydajność na benchmarkach

Shieldstral dorównuje lub bije otwarte modele nawet 7× większe od siebie w testach bezpieczeństwa tekstu i wyznacza nowy stan sztuki w multimodalnej klasyfikacji bezpieczeństwa . Poniższe dane pochodzą z opublikowanych przez Mistrala ewaluacji :

Klasyfikacja bezpieczeństwa tekstu – F1 (%)

Benchmark	Shieldstral-3B	GPT-OSS-Safeguard-20B	Qwen3Guard-8B	LlamaGuard-4-12B
WildGuardTest	88,1	87,3	88,2	74,3
ToxicChat	84,1	79,8	75,6	51,0
Aegis v2	86,2	84,4	84,6	71,5
HarmBench	99,4	94,5	99,3	97,9

Bezpieczeństwo multimodalne – F1 (%)

Benchmark	Shieldstral-3B	OmniGuard-7B	LlavaGuard-7B	LlamaGuard-4-12B
VLGuard	97,7	88,5	69,5	59,9
UnsafeBench	81,8	72,6	63,9	30,8

Ogólne F1 dla bezpieczeństwa tekstu: 84,9%; dla multimodalnego: 83,8% – lepiej niż każdy testowany model . Wynik tekstowy (84,9%) to remis z GPT-OSS-Safeguard-20B, który ma prawie 7× więcej parametrów .

Kluczowe specyfikacje i licencja

Specyfikacja	Szczegóły
Parametry	3,8 mld aktywnych
Model bazowy	Ministral-3-3B-Base-2512 z natywnym enkoderem wizyjnym Pixtral
Modalności	Tekst, obraz, tekst+obraz
Okno kontekstowe	32 tys. tokenów (trening); teoretycznie do 256 tys.
Sprzęt	Działa na jednej karcie NVIDIA z 16 GB
Języki	Angielski, francuski, hiszpański, niemiecki, włoski, portugalski, niderlandzki, chiński, japoński, koreański, arabski, rosyjski
Wynik	Pojedynczy token „tak/nie” z ciągłym wskaźnikiem pewności
Dane treningowe	~54,1 mln próbek – zebranych i wygenerowanych, z użyciem LoRA i łączenia punktów kontrolnych SLERP
Licencja	Apache 2.0 – wagi otwarte do użytku komercyjnego i niekomercyjnego

Dalsze plany rozwoju

Mistral nie opublikował konkretnej mapy drogowej dla Shieldstral poza wersją 1.0. Model jest pozycjonowany jako pierwszy członek Open Secure AI Alliance (wraz z NVIDIA i innymi) oraz fundament dla polityk bezpieczeństwa, które można dostosowywać . Biorąc pod uwagę ambicję Mistrala, by być „full-stack playerem” w AI — od układów w centrach danych po aplikacje — przyszłe wersje Shieldstral mogą oferować większą skalę, szersze wsparcie modalności lub głębszą integrację z narzędziami agentowymi (Vibe, Forge) i stosem wdrożeniowym dla przedsiębiorstw . Nie ogłoszono jednak żadnego harmonogramu ani konkretnych planów funkcji.

Governance i praktyczne znaczenie

Ponieważ Shieldstral jest wydany pod otwartą licencją Apache 2.0, każda organizacja może pobrać i uruchomić model samodzielnie, bez umowy handlowej z Mistralem . To przenosi odpowiedzialność za moderację treści do wewnątrz firmy: zespoły mogą dostosować taksonomie szkodliwości do konkretnych odbiorców lub kontekstów bez przekwalifikowania modelu, a także ustawić własne progi bezpieczeństwa . Model jest przeznaczony do moderowania promptów, odpowiedzi, par prompt–odpowiedź, wykrywania odmów oraz ogólnego filtrowania bezpieczeństwa w tekście i obrazach .