Mistral Large 4 საუკეთესო AI მოდელად დასახელდა აშშ-ისა და ჩინეთის გარეთ

გამოშვება და Intelligence Index-ის რეიტინგი

Mistral-მა ამ კვირაში Research Public Preview-ში გამოუშვა თავისი ტრილიონპარამეტრიანი მოდელი Mistral Large 4 (ML4) და განაცხადა, რომ ის ღია წონების წარმადობის საზღვრებს აფართოებს. ექსპერტთა ნარევის მოდელმა, რომელსაც სულ 1,05 ტრილიონი პარამეტრი და 49B-დან 52B-მდე აქტიური პარამეტრი აქვს, Artificial Analysis Intelligence Index v4.3.2-ზე 38 ქულა მიიღო. დამოუკიდებელი ბენჩმარკინგის კომპანიის თქმით, ეს შედეგი მას აშშ-ისა და ჩინეთის გარეთ ყველაზე ინტელექტუალურ მოდელად აქცევს.

ქულა შედარებადია GPT-6 Luna-ს (max, 38) და DeepSeek V4.1 Flash-ის (max, 39) შედეგებთან, და ML4-ს სამხრეთ კორეისა და არაბთა გაერთიანებული საამიროების მსგავსი ქვეყნების მოდელებზე წინ აყენებს. თუმცა მინიმუმ ხუთმა ჩინურმა ღია მოდელმა მეტი ქულა მიიღო: Xiaomi-ს MiMo-V2.6-Pro 46 ქულით, Z.ai-ს GLM-5.3 (max) 45-ით, Moonshot-ის Kimi K3 (max) 44-ით, GLM-5.3-Flash 42-ით და DeepSeek V4.1 Flash (max) 39-ით.

კიბერუსაფრთხოების ძლიერი მხარეები

ML4-მა Artificial Analysis Cyber Index-ზე 50 ქულა მიიღო, რაც GLM-5.3-Flash-ის დონეზეა და MiMo-V2.6-Pro-ზე (56) ჩამორჩება. მისი ყველაზე ძლიერი შედეგი CyberGym-E2E-AA-ზე დაფიქსირდა, სადაც 82% მიიღო, რაც აღემატება MiMo-V2.6-Pro-ს (79%) და GPT-6 Luna-ს (max, 78%). Mistral-ის თქმით, მოდელი Cybench-ის 93%-ს ხსნის, ეს კი უსაფრთხოების შეჯიბრებიდან აღებული 40 ამოცანის ნაკრებია. აღმასრულებელმა დირექტორმა არტურ მენშმა აბუ-დაბიში თქვა, რომ მოდელი ჩინურ მოდელებს რიგ ასპექტებში, მათ შორის კიბერუსაფრთხოებაში, აღემატება, Reuters-ის ცნობით.

კიბერშედეგი Cyber Index-ის სამი ტესტიდან მხოლოდ ერთია. ML4-მა DeepsecBench-AA-ზე 16%, ხოლო CWE-Bench-AA-ზე 51% მიიღო. Artificial Analysis-ის პროგნოზით, როგორც კი წონები გამოვა, მოდელი Cyber Index-ზე საუკეთესო სამ ღია წონების მოდელს შორის იქნება. Mistral-მა წარმოაჩინა ML4, როგორც ღია მოდელებს შორის უახლესი ტექნოლოგია საწარმოო დატვირთვებზე, როგორიცაა კიბერუსაფრთხოება, ფინანსები და სამართალი, და ამბობს, რომ მისი 1,6B-პარამეტრიანი ვიზუალური ენკოდერი საშუალებას აძლევს, ვიზუალურ დამაგრებაში თუნდაც წამყვან დახურულ მოდელებს გადააჭარბოს. სხვა გავრცელებულ შედეგებს შორისაა DeepSWE v1.1 61,7%, Coding Agent Index 49,8%, AutomationBench 59,9% და Dense 200 42%.

ღირებულება და სიჩქარე

ღირებულება კვლავ გამოწვევად რჩება. ML4-ის ფასი AA-ის ერთ ამოცანაზე სიითი ფასით $1,13-ია, ან $0,57 გაშვების 50% ფასდაკლებით, MiMo-V2.6-Pro-ს $0,13-სა და GLM-5.3-Flash-ის $0,25-თან შედარებით. სტანდარტული ფასია $1,36/$4,18 1M შემავალ/გამომავალ ტოკენზე, ხოლო $0,14 1M ქეშირებულ შემავალ ტოკენზე. უფრო მაღალი ღირებულება გამოწვეულია იმით, რომ AA-ის ინდექსის გასაშვებად 200 მილიონი გამომავალი ტოკენი სჭირდება, მედიანური 81 მილიონის წინააღმდეგ. სიჩქარის მხრივ, ML4-მა წამში 116,1 ტოკენი და პირველ ტოკენამდე 1,46 წამი აჩვენა, რაც მისი კატეგორიის მედიანაზე დაახლოებით 33%-ით სწრაფია და პირველ ტოკენამდე 2,6-ჯერ სწრაფია, როგორც Mistral-ის საკუთარ API-ზე გაიზომა.

ტრენინგი და ხელმისაწვდომობა

ML4 ნულიდან გაწვრთნილ იქნა 3 800 Nvidia Grace Blackwell GPU-ზე Mistral-ის საკუთარ დატაცენტრებში ევროპაში, დაახლოებით ორ თვეში, უფრო პატარა Large 3-ისთვის გამოყენებული 3 000 Nvidia H200-ის ნაცვლად, რომელსაც სულ 675B პარამეტრი და 41B აქტიური ჰქონდა. მოდელი მხარს უჭერს 512k ტოკენის კონტექსტის ფანჯარას, ტექსტისა და სურათის შეყვანას ტექსტის გამოტანით, და მისი API ახლა 100 სურათს იღებს ერთ მოთხოვნაზე, წინა Mistral მოდელების 8-ის ნაცვლად. Mistral-მა მოიზიდა €3 მილიარდი Series D რაუნდში, რომელსაც ევროპული ტექნოლოგიური კომპანიის მიერ ოდესმე მოზიდულ უდიდეს კაპიტალურ რაუნდს უწოდებს, და Mistral Compute-მ 18 000 Grace Blackwell ჩიპს გეგმავს. ღია წონები, არქიტექტურის დეტალები და დამატებითი ბენჩმარკები ოქტომბრის ბოლომდეა მოსალოდნელი, და ამ დროს მოდელი შესაძლოა ხელახლა შეფასდეს.

წყაროები: Tomshardware