Mistral Large 4: открытые веса, 1,05T параметров и 1M контекста

Mistral AI открыла публичное превью Mistral Large 4 (ML4) — модели с внутренним прозвищем Le Chonk. Это granular Mixture of Experts на 1,05 трлн параметров, из которых 49 млрд активны на каждый токен, с собственным vision-энкодером на 1,6 млрд параметров и контекстным окном в 1 млн токенов. Обучение шло с нуля на 3800 GPU NVIDIA Grace Blackwell в собственных дата-центрах Mistral в Европе.

Ключевая оговорка: API уже работает, а весов пока нет. Их обещают к концу октября 2026 года, так что развернуть модель на своём железе прямо сейчас нельзя. Это уже вторая открытая линейка Mistral за последнее время — рядом с ней компания выпустила лёгкий модератор контента Shieldstral 1.0 3B, где политика фильтрации задаётся прямо в промпте.

Что внутри и почему это важно для цены

ML4 — гибридная instruct-and-reasoning модель, которая принимает изображения на вход нативно. Активируется примерно 4,7% весов на токен — именно за счёт этого модель класса «триллион параметров» можно подавать по цене среднего уровня. Но все 1,05T всё равно должны лежать в памяти: число активных параметров определяет вычисления, а не счёт за железо.

Количество экспертов, схему маршрутизации top-k и раскладку слоёв Mistral пока не опубликовала — они появятся вместе с весами. Обучающие данные охватывали более 160 языков, включая все официальные языки ЕС.

Кибербезопасность вместо чата: 93% на Cybench

Самые сильные результаты ML4 — в защитной безопасности. Mistral заявляет 93% на Cybench и 82% на CyberGym-E2E, что ставит модель в глобальный топ-5 индекса Artificial Analysis Cyber Index. Более интересное утверждение — структурное: по словам Mistral, несколько закрытых frontier-моделей показывают почти нулевой результат на CyberGym-E2E, потому что отказываются выполнять задачу. Воспроизведение уязвимости, чтобы доказать её реальность, — стандартная работа защитника, и отказы на уровне провайдера её блокируют.

В агентном программировании Mistral приводит 61,7% на DeepSWE v1.1, 59,4% на SWE-Atlas-QnA и 28,3% на Terminal-Bench 4.0, что даёт сводный Artificial Analysis Coding Agent Index 49,8%. Оговорка от самой Mistral: замеры проводились приватно, до публикации харнесса, поэтому независимо воспроизвести их пока нельзя.

Более честный сигнал — слепое человеческое сравнение, проведённое с Surge AI. Профессиональные аннотаторы поставили ML4 Preview 3,74 из 5 — второе место среди пяти моделей, выше GLM-5.3 (3,60) и Kimi K3 (3,59), но ниже Claude Opus 5 с 4,22.

По безопасности ML4 отражает 93,3% атак в бенчмарке B3 от Lakera и набирает 1,691 из максимума 2,0 в KORABench.

Как ML4 выглядит на фоне открытых конкурентов

Что уже можно делать через API

Превью-API поддерживает вызов функций, структурированные ответы, QnA по документам, пакетную обработку и эндпоинты Agents и Conversations. Кэшированный вход стоит $0,14 за 1M токенов — при окне в 1M это заметно меняет экономику длинных агентных циклов, где один и тот же контекст переиспользуется много раз. Такой режим близок по духу к открытым decision-моделям Cloudflare Clef и Clef-flash, которые вместо текста возвращают вероятности и тоже рассчитаны на дешёвые повторяющиеся вызовы.

Практический расклад для администратора или небольшой команды такой: до появления весов ML4 — облачная история. Считайте бюджет по цене за токены, а не по железу, и помните, что кэш входа в десять раз дешевле обычного. Для задач, где нужна локальная обработка данных, придётся ждать конца октября и смотреть на объявленную лицензию — от неё зависит, можно ли вообще использовать веса в коммерческом продукте. Если же нужна модель, которая гарантированно крутится на своём CPU без GPU, посмотрите в сторону Julia 1 от Supersonic Labs — это совсем другой класс задач, но зато без облака.

Отдельно стоит держать в голове, что заявленные результаты по агентному коду пока не воспроизведены независимо: харнесс не был публичным на момент замеров. Это не повод им не верить, но и не повод строить на них план миграции.

Частые вопросы

Что именно выпустила Mistral AI?

Публичное превью Mistral Large 4, также известной как Le Chonk. Это granular MoE на 1,05 трлн параметров с 49 млрд активных на токен, нативным вводом изображений и контекстом в 1 млн токенов.

Можно ли скачать веса и запустить модель у себя?

Нет. Веса обещаны к концу октября 2026 года, до этого доступен только API. Лицензия на веса тоже пока не объявлена.

Сколько стоит работа через API?

$1,36 за 1M входных токенов и $4,18 за 1M выходных. Кэшированный вход обходится в $0,14 за 1M токенов.

Чем ML4 сильнее всего выделяется?

Защитной кибербезопасностью: 93% на Cybench и 82% на CyberGym-E2E. Mistral отдельно отмечает, что закрытые frontier-модели на части этих задач отказываются работать и получают около нуля.

Насколько можно доверять заявленным результатам?

Частично. Замеры по агентному программированию проводились приватно до публикации харнесса и независимо не воспроизводились. Слепое сравнение с людьми показало второе место ML4 среди пяти моделей — ниже Claude Opus 5.

Что нужно, чтобы модель работала быстро?

Все 1,05T параметров должны помещаться в память, хотя вычисления определяют лишь 49B активных на токен. То есть экономия на вычислениях не отменяет требований к объёму памяти при самостоятельном развёртывании.

Поддерживается ли русский язык?

Mistral сообщает об обучении более чем на 160 языках, включая все официальные языки ЕС. Отдельных заявлений про качество на русском в документации модели нет.

Какие функции доступны в превью-API?

Вызов функций, структурированные ответы, QnA по документам, пакетная обработка, а также эндпоинты Agents и Conversations.

Источник: marktechpost.com