‏Mistral Large 4 با وزن‌های باز منتشر شد

میسترال چند هفته پیش Mistral Large 4 (با اسم خودمونی Le Chonk) رو به‌صورت پیش‌نمایش عرضه کرده بود و حالا وزن‌های نسخه‌ی بهتر شده‌ش رو آزاد کرده. این مدل یک تریلیون پارامتر داره و از نوع MoE هست (یعنی برای هر درخواست فقط بخشی از شبکه فعال می‌شه؛ اسم مدل تو Hugging Face نشون می‌ده حدود 52 میلیارد پارامتر فعال داره). مدل چندوجهیه و میسترال می‌گه به بیش از 160 زبان مسلطه.

به گفته‌ی میسترال، فقط سه هفته reinforcement learning اضافه (یعنی آموزش مدل با پاداش دادن به جواب‌های خوب) بعد از پیش‌نمایش، اونو تو کدنویسی به صدر مدل‌های باز رسونده. تو بنچمارک خصوصی FrontierCode 2.0 که می‌سنجه آیا نگهدارنده‌ی یه ریپو تغییر ایجنت رو merge می‌کنه یا نه، امتیازش 19.7 درصده. تو Terminal-Bench 4.0 هم 13 واحد درصد بهتر شده و به 41 درصد رسیده، در حالی که 30 درصد توکن خروجی کمتری مصرف می‌کنه.

نکته‌ی مهم دیگه بهره‌وریه. روی Artificial Analysis Coding Agent Index امتیاز 48 درصد گرفته که عملاً هم‌سطح GLM-5.3 هست، ولی به‌طور میانگین 47 درصد توکن کمتری برای هر تسک خرج می‌کنه. یعنی اجرای ایجنت‌های کدنویس در مقیاس بالا ارزون‌تر درمیاد. برای اینکه توسعه‌دهنده خودش بین هزینه و کیفیت تعادل برقرار کنه، سه حالت reasoning اضافه شده: Low برای کارهای ساده، Medium برای کارهای روزمره و High (پیش‌فرض) برای سخت‌ترین مسئله‌ها.

بخش بزرگی از اعلامیه درباره‌ی امنیت دفاعیه. مدل تو Artificial Analysis Cyber Index، که توانایی پیدا کردن، بازتولید و patch کردن آسیب‌پذیری‌ها رو می‌سنجه، 51 درصد گرفته. میسترال می‌گه گاردریل‌های مدل بین کار دفاعی و حمله فرق می‌ذاره و 96.6 درصد درخواست‌های مخرب سایبری رو رد می‌کنه. البته خودشون قبول دارن که تو ترافیک واقعی احتمال کمک به حمله‌های واقعی رو دیدن و دارن گاردریل‌ها رو سفت‌تر می‌کنن. یه نسخه‌ی تخصصی برای تست نفوذ و red-teaming هم فقط به شرکای تأییدشده مثل Orange Cyberdefense داده شده.

تو کارهای سازمانی هم پیشرفت داشته: 73.3 درصد تو بنچمارک مالی Finch، 84.5 درصد تو BrowseComp برای وب‌گردی، و مقاومت در برابر 97.1 درصد حمله‌ها تو B3 Agent Security Benchmark (مثل بیرون کشیدن system prompt یا تزریق کد). میسترال روی بحث «هوش مصنوعی مستقل» یا Sovereign AI تأکید زیادی داره؛ یعنی مدل از صفر تو اروپا آموزش دیده و سازمان می‌تونه بدون وابستگی به API میسترال، خودش میزبانیش کنه.

مدل از طریق Mistral Studio، API، OpenRouter، Microsoft Foundry و endpointهای NVIDIA در دسترسه و وزن‌هاش تو Hugging Face هست و با vLLM یا SGLang اجرا می‌شه. لایسنسش یه نسخه‌ی تغییریافته از MIT هست: استفاده، fine-tune و فروش آزاده، فقط شرکت‌هایی که سرویس Model-as-a-Service می‌دن باید لایسنس تجاری جدا بگیرن.

نکات کلیدی:

• Mistral Large 4 یک تریلیون پارامتر داره، MoE و چندوجهیه و وزن‌هاش بازه
• تو Terminal-Bench 4.0 به 41 درصد رسیده و تو FrontierCode 2.0 با 19.7 درصد اوله
• نسبت به GLM-5.3 با امتیاز مشابه، 47 درصد توکن کمتری مصرف می‌کنه
• سه حالت reasoning داره: Low، Medium و High (پیش‌فرض)
• قیمت API: 0.70 دلار ورودی، 0.07 دلار ورودی کش‌شده و 2.10 دلار خروجی برای هر میلیون توکن
• لایسنس MIT تغییریافته؛ فقط سرویس‌های Model-as-a-Service لایسنس تجاری جدا لازم دارن