Mistral Large 4: francuski gigant AI z otwartymi wagami i europejską niezależnością

Mistral AI wprowadziło na rynek model Large 4, liczący bilion parametrów i działający natywnie w trybie multimodalnym. Rozwiązanie ma stanowić odpowiedź na dominujące dziś systemy od amerykańskich i chińskich dostawców, a jego główną przewagą ma być otwartość wag oraz możliwość wdrożenia w pełni niezależnej infrastruktury.

Twórcy nieformalnie nazywają model "Le Chonk" (co można tłumaczyć jako "grubasek" lub "puszysty zwierzak"). Large 4, oznaczany też jako ML4, dysponuje bilionem parametrów, z których aktywnych w danym momencie jest 49 miliardów. Na razie dostępna jest wersja testowa (preview) udostępniona w Mistral Studio — pełne otwarte wagi trafią do publicznego obiegu po zakończeniu procedur bezpieczeństwa, w tym testów red-teamingowych.

Trening modelu przeprowadzono od zera, wykorzystując 3800 układów NVIDIA Grace Blackwell zainstalowanych w europejskich centrach danych należących do Mistral. Spółka zaznacza, że cały proces odbył się na jej własnej infrastrukturze — to element strategii budowania europejskiej alternatywy wobec modeli tworzonych w Stanach Zjednoczonych i Chinach.

ML4 mocny w cyberbezpieczeństwie

Cyberbezpieczeństwo to jeden z kluczowych kierunków zastosowania nowego modelu. W rankingu Artificial Analysis Cyber Index ML4 zajmuje miejsce w pierwszej piątce świata i jest liderem wśród modeli open-weight tworzonych poza Chinami. W zadaniu polegającym na odtworzeniu i naprawieniu realnej podatności w oprogramowaniu open source model osiągnął wynik 82% — najlepszy w całym porównaniu. W benchmarku Cybench poradził sobie z 93% zadań.

Według Mistral otwarte wagi i możliwość samodzielnego hostowania modelu mają szczególną wartość właśnie w kontekście bezpieczeństwa. Firmy mogą w ten sposób zachować pełną kontrolę nad narzędziem i stosować je np. do analizy malware'u, oceny priorytetów podatności czy budowania reguł wykrywania ataków. ML4 da się wdrożyć zarówno w chmurze prywatnej, jak i w modelu on-premise.

Wyniki w programowaniu i pracy agentowej

Model powstał również z myślą o zadaniach programistycznych i pracy agentów AI realizujących złożone procesy. W testach uzyskał 61,7% w DeepSWE v1.1, 59,4% w SWE-Atlas-QnA oraz 28,3% w Terminal-Bench 4. Zbiorczy wskaźnik Coding Agent Index wyniósł 49,8%.

W niezależnej ocenie jakości generowanego kodu, przeprowadzonej przez profesjonalnych anotatorów w trybie ślepej próby, Large 4 zdobył 3,74 punktu w skali od 1 do 5. To drugie miejsce wśród pięciu porównywanych modeli — lepszy okazał się jedynie Claude Opus 5.

Model radzi sobie również z automatyzacją procesów biznesowych. W benchmarku AutomationBench, złożonym z 657 zadań realizowanych m.in. w Gmailu, Arkuszach Google, Slacku i Salesforce, ML4 uzyskał wynik 59,9%.

Multimodalność i suwerenność

ML4 od podstaw projektowano jako model natywnie multimodalny. Umożliwia analizę dokumentów, wykresów, fotografii, rysunków technicznych i obrazów geoprzestrzennych, a także łączenie rozpoznawania obiektów z działaniami w trybie agentowym. W teście Dense 200, sprawdzającym zdolność tzw. visual grounding, model osiągnął 42%, wyprzedzając GPT-6 Astra, który uzyskał 41%.

Dla Mistral liczą się jednak nie tylko wyniki benchmarków, ale i zachowanie kontroli nad technologią. Firma planuje opublikować wagi modelu, a europejskie wdrożenie ma być prowadzone przez Mistral samodzielnie, bez udziału innych dostawców usług cyfrowych i w zgodzie z regulacjami unijnymi. Dzięki temu organizacje będą mogły uruchamiać ML4 w swoim własnym środowisku, nie opierając się na dostępie do zewnętrznego API.

Taka możliwość ma szczególne znaczenie w branżach wymagających podwyższonego nadzoru nad danymi — w cyberbezpieczeństwie, sektorze finansowym czy administracji publicznej, gdzie liczy się nie tylko trafność odpowiedzi modelu, ale też sposób przetwarzania informacji i możliwość przeprowadzenia audytu. Mistral dodaje, że dane treningowe objęły ponad 160 języków, w tym wszystkie języki urzędowe Unii Europejskiej.

Large 4 stanowi więc próbę połączenia wysokiej skuteczności dużego modelu językowego z podejściem dającym użytkownikowi realną kontrolę nad technologią, danymi i sposobem wdrożenia. To właśnie ten aspekt ma być kluczowym argumentem Mistral w konkurencji z zamkniętymi rozwiązaniami amerykańskich firm oraz otwartymi modelami powstającymi w Chinach.