AnswersPublished25 sources
Mistral Large 4: кращі результати в кодингу — але не універсальна перемога
29 жовтня Mistral оприлюднила відкриті ваги Large 4. Компанія повідомляє, що після додаткового навчання з підкріпленням результат Terminal Bench 4.0 зріс із 28% до 41%.
ОпублікувавВідредаговано за допомогою GPT-6 LunaЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- 29 жовтня Mistral оприлюднила відкриті ваги Large 4. Компанія повідомляє, що після додаткового навчання з підкріпленням результат Terminal Bench 4.0 зріс із 28% до 41%.
- Мультимодальна модель має 1,05 трлн параметрів загалом. Її ліцензія — змінена версія MIT, тож перед запуском хостингового сервісу варто перевірити конкретні умови.
- Mistral також заявляє про 51% у Cyber Index і середній рівень відмови 96,6% на шкідливі кіберзапити.
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 оприлюднила відкриті ваги Mistral Large 4, яку неофіційно називає «Le Chonk», 29 жовтня — після презентації попередньої версії 6 жовтня. Компанія позиціонує реліз як сильніший варіант із відкритими вагами для програмування та захисної кібербезпеки. Заявлені результати в окремих тестах цікаві, але це не доказ того, що модель найкраща для будь-якого завдання.4
7
9
18
Що змінилося після попередньої версії?
За даними Mistral, додаткове навчання з підкріпленням підняло результат Large 4 у Terminal-Bench 4.0 із 28% до 41% — на 13 відсоткових пунктів.21
31 У Artificial Analysis Coding Agent Index модель набрала 48% — стільки ж, скільки GLM-5.3. У цьому порівнянні Large 4, за повідомленнями, використала на 47% менше токенів на завдання.
31
35
Ці цифри стосуються конкретних тестів. Вони не показують, як модель впорається з усім спектром програмувальних задач, і самі по собі не доводять, що менша кількість токенів автоматично означає нижчі загальні витрати на роботу. Наявні матеріали також не дають надійного числового порівняння Large 4 з Mythos 5.1 від Anthropic за однакових умов.
Трилйон параметрів — не вся історія
У документації Mistral Large 4 описана як мультимодальна модель із архітектурою «суміш експертів» (Mixture of Experts, MoE). Загалом вона має 1,05 трлн параметрів, а її візуальний енкодер — 1,6 млрд.17 Для розуміння масштабу важливо й те, скільки параметрів активується під час обробки: опис моделі на Hugging Face вказує 49 млрд активних параметрів на токен, або 52 млрд, якщо врахувати ембеддинги та вихідний шар.
20
У презентації попередньої версії Mistral повідомляла, що навчала модель на 3 800 графічних процесорах Nvidia Grace Blackwell у власних європейських дата-центрах.6 Після релізу також з’явилися три режими міркування — низький, середній і високий, — щоб користувачі могли обирати потрібну інтенсивність обробки.
34
Відкриті ваги — але ліцензію все одно варто прочитати
Ваги доступні через Hugging Face. Опублікована ліцензія має назву Mistral Ecosystem Open-Weight License; у її тексті зазначено, що це змінена версія ліцензії MIT.18
32 Тому «відкриті ваги» не означають, що будь-яке поширення моделі чи хостинговий сервіс автоматично підпадають під звичайні умови MIT. Командам, які планують комерційне використання, варто ознайомитися з повним текстом ліцензії та перевірити, які саме умови стосуються їхнього сценарію.
32
36
Практична перевага такого релізу — можливість отримати самі ваги, а не покладатися лише на доступ до моделі через API провайдера. Це може відкрити шлях до власного розгортання чи модифікації моделі. Водночас сам факт публікації ваг не визначає, яка інфраструктура знадобиться для конкретного запуску.
Заяви про кібербезпеку потребують контексту
У матеріалах про реліз згадуються 51% в Artificial Analysis Cyber Index і середній рівень відмови 96,6% на шкідливі кіберзапити.31
33 Це результати оцінювань, а не гарантія, що модель відмовить на кожен небезпечний запит або що відкриті ваги неможливо використати на шкоду.
Оцінка в тестах захисної кібербезпеки та здатність відмовляти на зловмисні запити вимірюють різні речі. Ці показники варто розглядати разом із методикою оцінювання та вимогами конкретного розгортання. Самі по собі вони не дають остаточної відповіді щодо ризиків широкої доступності моделі.
Що цей реліз означає — і чого не доводить
Large 4 додає ще один розроблений у Європі варіант із відкритими вагами до ринку, де є як відкриті, так і закриті моделі з інших регіонів. Mistral наголошувала на європейській інфраструктурі навчання та результатах моделі порівняно з конкурентами з відкритими вагами.6
15
18 Для користувачів важлива передусім можливість отримати й розгортати ваги, а не загальний висновок про якість моделі, зроблений лише за країною її походження.
Найобґрунтованіший висновок наразі вужчий: Mistral повідомляє про помітний приріст у тестах програмування між попередньою версією та релізом, а також про конкурентний результат у тесті агентного кодування на тлі меншої кількості токенів в одному порівнянні. Цього достатньо, щоб випробувати Large 4 на власних завданнях. Але цього недостатньо, щоб стверджувати про загальну перевагу над іншими моделями, незалежно підтверджувати всі заяви про кібербезпеку чи нехтувати умовами ліцензії та ризиками розгортання.
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: кращі результати в кодингу — але не універсальна перемога"?
29 жовтня Mistral оприлюднила відкриті ваги Large 4. Компанія повідомляє, що після додаткового навчання з підкріпленням результат Terminal Bench 4.0 зріс із 28% до 41%.
What are the key points to validate first?
29 жовтня Mistral оприлюднила відкриті ваги Large 4. Компанія повідомляє, що після додаткового навчання з підкріпленням результат Terminal Bench 4.0 зріс із 28% до 41%. Мультимодальна модель має 1,05 трлн параметрів загалом. Її ліцензія — змінена версія MIT, тож перед запуском хостингового сервісу варто перевірити конкретні умови.
What should I do next in practice?
Mistral також заявляє про 51% у Cyber Index і середній рівень відмови 96,6% на шкідливі кіберзапити.