คำตอบเผยแพร่แล้ว25 แหล่งที่มา
Mistral Large 4 เปิดน้ำหนักโมเดลแล้ว ผลทดสอบด้านโค้ดน่าสนใจ แต่ยังไม่ใช่คำตอบทุกโจทย์
Mistral เปิดน้ำหนักของ Large 4 เมื่อ 29 ตุลาคม โดยรายงานว่าคะแนน Terminal Bench 4.0 เพิ่มจาก 28% เป็น 41% หลังทำ reinforcement learning เพิ่มเติม โมเดลมัลติโหมดนี้มีพารามิเตอร์รวม 1.05 ล้านล้านตัว และใช้ใบอนุญาตที่ดัดแปลงจาก MIT ผู้ใช้ควรตรวจเงื่อนไขก่อนนำไปให้บริการในรูปแบบโฮสต์โมเดล Mistral รายงานคะแนน Cyber Index...
เผยแพร่โดยแก้ไขด้วย GPT-6 Lunaรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Mistral เปิดน้ำหนักของ Large 4 เมื่อ 29 ตุลาคม โดยรายงานว่าคะแนน Terminal Bench 4.0 เพิ่มจาก 28% เป็น 41% หลังทำ reinforcement learning เพิ่มเติม
- โมเดลมัลติโหมดนี้มีพารามิเตอร์รวม 1.05 ล้านล้านตัว และใช้ใบอนุญาตที่ดัดแปลงจาก MIT ผู้ใช้ควรตรวจเงื่อนไขก่อนนำไปให้บริการในรูปแบบโฮสต์โมเดล
- Mistral รายงานคะแนน Cyber Index 51% และอัตราปฏิเสธคำขอไซเบอร์ที่เป็นอันตรายเฉลี่ย 96.6% แต่ตัวเลขเหล่านี้ไม่ได้รับประกันว่าจะป้องกันการนำโมเดลไปใช้ผิดวัตถุประสงค์ได้ทั้งหมด
AI พรอมต์
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 เปิดน้ำหนักของ Mistral Large 4 ซึ่งมีชื่อเล่นว่า “Le Chonk” เมื่อวันที่ 29 ตุลาคม หลังเปิดตัวรุ่นพรีวิวเมื่อวันที่ 6 ตุลาคม บริษัทวางตำแหน่งโมเดลนี้เป็นตัวเลือกแบบเปิดน้ำหนักที่พัฒนาขึ้นสำหรับงานเขียนโค้ดและความปลอดภัยไซเบอร์เชิงป้องกัน ผลทดสอบที่รายงานมีจุดน่าสนใจ แต่ควรมองเป็นผลเฉพาะงาน ไม่ใช่ข้อสรุปว่าโมเดลนี้นำหน้าทุกตัวในทุกประเภทงาน4
7
9
18
จากรุ่นพรีวิวถึงรุ่นที่เปิดน้ำหนัก
Mistral ระบุว่า reinforcement learning เพิ่มเติมช่วยให้คะแนน Terminal-Bench 4.0 ของ Large 4 ขยับจาก 28% ในรุ่นพรีวิวเป็น 41% ในรุ่นที่เปิดตัว เพิ่มขึ้น 13 จุดเปอร์เซ็นต์21
31 ส่วนคะแนน Artificial Analysis Coding Agent Index ที่บริษัทรายงานอยู่ที่ 48% เท่ากับ GLM-5.3 โดย Large 4 ใช้โทเค็นต่อหนึ่งงานน้อยกว่า 47% ในการเปรียบเทียบดังกล่าว
31
35
ตัวเลขเหล่านี้สะท้อนผลจากการประเมินบางชุด ไม่ได้ยืนยันว่า Large 4 จะทำงานเขียนโปรแกรมได้ดีกว่าในทุกสถานการณ์ และจำนวนโทเค็นที่น้อยลงก็ไม่ได้แปลว่าต้นทุนรวมในการใช้งานจะต่ำลงโดยอัตโนมัติ ข้อมูลที่มีอยู่ยังไม่มีตัวเลขเปรียบเทียบแบบตรงกันทุกด้านกับ Mythos 5.1 ของ Anthropic ที่รองรับข้อสรุปชัดเจน
โมเดลมัลติโหมดระดับล้านล้านพารามิเตอร์
เอกสารของ Mistral อธิบายว่า Large 4 เป็นโมเดลมัลติโหมดแบบ mixture-of-experts มีพารามิเตอร์รวม 1.05 ล้านล้านตัว และตัวเข้ารหัสภาพ (vision encoder) ขนาด 1.6 พันล้านพารามิเตอร์17 อย่างไรก็ตาม จำนวนพารามิเตอร์รวมไม่ใช่จำนวนที่ใช้ประมวลผลทุกโทเค็นทั้งหมด: รายละเอียดบน Hugging Face ระบุว่ามีพารามิเตอร์ที่ทำงานต่อโทเค็น 49,000 ล้านตัว หรือ 52,000 ล้านตัวเมื่อนับส่วน embeddings และชั้นเอาต์พุตรวมด้วย
20
ตอนเปิดตัวพรีวิว Mistral ระบุว่าใช้ GPU Nvidia Grace Blackwell จำนวน 3,800 ตัวฝึกโมเดลในศูนย์ข้อมูลของบริษัทในยุโรป6 รายงานการเปิดตัวระบุด้วยว่าผู้ใช้เลือกการประมวลผลด้านเหตุผลได้ 3 ระดับ ได้แก่ ต่ำ ปานกลาง และสูง
34
เปิดน้ำหนัก แต่ควรอ่านใบอนุญาตให้ครบ
น้ำหนักโมเดลเผยแพร่ผ่าน Hugging Face ภายใต้ใบอนุญาตชื่อ Mistral Ecosystem Open-Weight License ซึ่งระบุว่าเป็นฉบับดัดแปลงจากใบอนุญาต MIT18
32 ดังนั้นคำว่า “เปิดน้ำหนัก” ไม่ได้หมายความว่าการแจกจ่ายต่อหรือเปิดบริการโฮสต์โมเดลทุกแบบจะอยู่ภายใต้เงื่อนไข MIT มาตรฐานโดยอัตโนมัติ องค์กรที่ต้องการสร้างบริการเชิงพาณิชย์ควรอ่านใบอนุญาตฉบับจริงและตรวจสอบเงื่อนไขที่ใช้กับกรณีของตน
32
36
การมีน้ำหนักโมเดลให้ดาวน์โหลดทำให้ทีมพัฒนาสามารถนำไปใช้งานหรือปรับแก้ได้ โดยไม่ต้องพึ่งการเข้าถึงผ่าน API ของผู้ให้บริการเพียงทางเดียว แต่อย่างไรก็ตาม การเปิดตัวโมเดลไม่ได้บอกว่าแต่ละองค์กรต้องใช้โครงสร้างพื้นฐานแบบใดหรือมากน้อยเพียงใดในการนำไปติดตั้งใช้งานจริง
ตัวเลขด้านไซเบอร์ไม่ใช่หลักประกันความปลอดภัย
รายงานการเปิดตัวระบุคะแนน 51% บน Artificial Analysis Cyber Index และอัตราปฏิเสธคำขอเกี่ยวกับไซเบอร์ที่เป็นอันตรายเฉลี่ย 96.6%31
33 ตัวเลขเหล่านี้เป็นผลการประเมินที่มีการรายงาน ไม่ใช่หลักประกันว่าโมเดลจะปฏิเสธทุกคำขอที่เป็นอันตราย หรือการเปิดน้ำหนักจะไม่มีความเสี่ยงต่อการนำไปใช้ผิดวัตถุประสงค์
คะแนนด้านความปลอดภัยเชิงป้องกันกับความสามารถในการปฏิเสธคำขอที่เป็นอันตรายเป็นการวัดคนละเรื่อง ผู้ใช้จึงควรพิจารณารายละเอียดการประเมินควบคู่กับรูปแบบการใช้งานจริง ตัวเลขสองรายการนี้เพียงอย่างเดียวไม่ได้ชี้ขาดความเสี่ยงของการเปิดให้เข้าถึงโมเดลอย่างกว้างขวาง
สิ่งที่ผลเปิดตัวบอกได้—and สิ่งที่ยังพิสูจน์ไม่ได้
Large 4 เพิ่มตัวเลือกโมเดลเปิดน้ำหนักที่พัฒนาในยุโรปให้กับองค์กรและนักพัฒนา ท่ามกลางตลาดที่มีทั้งโมเดลเปิดและโมเดลปิดจากหลายภูมิภาค Mistral เน้นย้ำถึงโครงสร้างพื้นฐานการฝึกในยุโรปและผลทดสอบเมื่อเทียบกับคู่แข่งแบบเปิดน้ำหนัก6
15
18 สำหรับผู้ใช้ ประเด็นสำคัญคือมีน้ำหนักโมเดลให้ตรวจสอบและนำไปติดตั้งเองได้ ไม่ใช่ข้อสรุปทั่วไปว่าคุณภาพของโมเดลขึ้นอยู่กับประเทศต้นทาง
ข้อสรุปที่หลักฐานรองรับได้ชัดที่สุดยังอยู่ในวงแคบ: Mistral รายงานว่าคะแนนทดสอบโค้ดบางรายการดีขึ้นจากรุ่นพรีวิว และ Large 4 ทำคะแนน Coding Agent Index ได้ใกล้เคียงกับ GLM-5.3 พร้อมใช้โทเค็นน้อยกว่าในการเปรียบเทียบหนึ่งชุด ผลเหล่านี้อาจทำให้ Large 4 น่าทดลองกับงานจริงของแต่ละทีม แต่ยังไม่พิสูจน์ว่าเหนือกว่าในภาพรวม ยืนยันข้อกล่าวอ้างด้านไซเบอร์ได้ครบถ้วนโดยอิสระ หรือทำให้ไม่ต้องประเมินเงื่อนไขใบอนุญาตและความเสี่ยงในการนำไปใช้งาน
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "Mistral Large 4 เปิดน้ำหนักโมเดลแล้ว ผลทดสอบด้านโค้ดน่าสนใจ แต่ยังไม่ใช่คำตอบทุกโจทย์" คืออะไร
Mistral เปิดน้ำหนักของ Large 4 เมื่อ 29 ตุลาคม โดยรายงานว่าคะแนน Terminal Bench 4.0 เพิ่มจาก 28% เป็น 41% หลังทำ reinforcement learning เพิ่มเติม
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Mistral เปิดน้ำหนักของ Large 4 เมื่อ 29 ตุลาคม โดยรายงานว่าคะแนน Terminal Bench 4.0 เพิ่มจาก 28% เป็น 41% หลังทำ reinforcement learning เพิ่มเติม โมเดลมัลติโหมดนี้มีพารามิเตอร์รวม 1.05 ล้านล้านตัว และใช้ใบอนุญาตที่ดัดแปลงจาก MIT ผู้ใช้ควรตรวจเงื่อนไขก่อนนำไปให้บริการในรูปแบบโฮสต์โมเดล
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
Mistral รายงานคะแนน Cyber Index 51% และอัตราปฏิเสธคำขอไซเบอร์ที่เป็นอันตรายเฉลี่ย 96.6% แต่ตัวเลขเหล่านี้ไม่ได้รับประกันว่าจะป้องกันการนำโมเดลไปใช้ผิดวัตถุประสงค์ได้ทั้งหมด