Mistral predstavio svoj najveći AI model do sada: Large 4 ima milijardu parametara

Kompanija model interno označava kao ML4, dok ga neformalno naziva „le Chonk“. Riječ je o mješavini eksperata (Mixture of Experts) koja u jednoj mreži objedinjuje praćenje uputstava i sposobnosti rezonovanja.

Veličina, obuka i cijena

ML4 je od nule obučen na 3.800 NVIDIA Grace Blackwell grafičkih procesora u Mistralovim evropskim podatkovnim centrima. I javni pregled trenutno radi na istoj infrastrukturi.

Značajan dio podataka za obuku bio je višejezičan, obuhvatajući više od 160 jezika, uključujući sve zvanične jezike Evropske unije.

Cijena korišćenja modela iznosi 1,36 dolara po milionu ulaznih tokena i 4,18 dolara po milionu izlaznih tokena. Mistral navodi da će ML4 biti dostupan u više regiona, uključujući evropsko okruženje kojim kompanija upravlja od početka do kraja, u skladu sa evropskim zakonodavstvom.

Za sada nisu objavljene dvije važne informacije: veličina kontekstnog prozora i licenca pod kojom će težine biti dostupne. Mistral navodi da će detalji o arhitekturi, dodatna mjerenja i informacije o procesu naknadne obuke biti objavljeni zajedno sa težinama.

Šta pokazuju Mistralova mjerenja

Prema rezultatima koje je objavila kompanija, ML4 ostvaruje 61,7 odsto na DeepSWE v1.1, 59,4 odsto na SWE-Atlas-QnA i 28,3 odsto na Terminal-Bench 4. Na osnovu tih rezultata postiže 49,8 odsto na zbirnom indeksu Coding Agent Index.

U slijepom ljudskom ocjenjivanju koje je sprovela kompanija Surge AI, ML4 je dobio prosječnu ocjenu 3,74 na skali do pet. To ga je svrstalo na drugo mjesto među pet testiranih modela, iza modela Claude Opus 5, koji je dobio 4,22.

Kada je riječ o sajber bezbjednosti, Mistral navodi da je ML4 riješio 93 odsto od 40 zadataka u Cybenchu. Na zadatku iz Artificial Analysis Cyber Indexa, koji reprodukuje i zakrpljuje stvarnu ranjivost, model je ostvario rezultat od 82 odsto.

Kompanija pritom navodi da Claude Opus 5.5 i GPT-6 Astra na Cybenchu ostvaruju gotovo nulti rezultat jer odbijaju da izvrše zadatke. Mistral istovremeno tvrdi da ML4, iako je spremniji da odgovori na ovakve upite, češće odbija zlonamjerne sajber zahtjeve nego drugi modeli sa otvorenim težinama.

Na testovima vizuelnog lociranja, ML4 je ostvario 42 odsto na skupu Dense 200, u odnosu na 41 odsto koliko je postigao GPT-6 Astra. Na Lakerinom bezbjednosnom testu B3, Mistral navodi da je model odbio 93,3 odsto napada zasnovanih na zlonamjernom ubacivanju uputstava.

Važno je, međutim, naglasiti da nijedan od ovih rezultata za sada nije nezavisno provjeren.

Zašto su otvorene težine važnije od samog pregleda

Dok težine ne budu objavljene, ML4 je u praksi API proizvod, kao i drugi zatvoreni modeli, i nalazi se u sličnom cjenovnom rangu. Za Mistral je upravo najavljena otvorena objava ključni dio priče.

Kompanija time cilja korisnike koji zbog bezbjednosnih zahtjeva ili interne politike ne mogu da šalju osjetljive podatke na spoljne servise. Nakon objave težina, takvi korisnici moći će da pokreću ML4 na sopstvenoj infrastrukturi i da ga prilagođavaju vlastitim bezbjednosnim pravilima.

Mistral razvoj ML4 povezuje i sa svojom rundom finansiranja serije D vrijednom 3 milijarde evra. Kompanija navodi da proces obuke uz pomoć pojačanog učenja i dalje traje, što znači da je trenutni javni pregled samo presjek razvoja, a ne nužno konačna verzija modela.

Prava procjena ML4 zato će biti moguća tek kada otvorene težine budu dostupne, kada nezavisni istraživači budu mogli da testiraju model i kada Mistral objavi preostale tehničke detalje, uključujući licencu i kontekstni prozor.