Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Predstavlyaem mistral large 4
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Представляем Mistral Large 4

Источник: Mistral•6 октября 2026 г. в 13:30

Представляем Mistral Large 4

Самая мощная ИИ-платформа для предприятий. Настраивайте, дообучайте и развертывайте ИИ-ассистентов, автономных агентов и мультимодальный ИИ с помощью моделей с открытыми весами.

Le Chonk

Сегодня мы запускаем публичную предварительную версию Mistral Large 4. Неофициально — ML4, официально: le Chonk. ML4 расширяет границы производительности моделей с открытыми весами. Вы можете опробовать API предварительной версии уже сегодня в Mistral Studio. Веса будут опубликованы в конце этого месяца.

Передовая производительность

ML4 — это нативно мультимодальная модель с 1 триллионом параметров, из которых 49 миллиардов являются активными. Это наша самая большая и мощная модель на сегодняшний день, и она продолжает быстро совершенствоваться по мере нашей работы над ней.

Модель демонстрирует исключительную производительность в задачах программирования, агентных рабочих процессах и мультимодальном понимании. Она уже достигает уровня производительности, сопоставимого с самыми сильными моделями с открытым исходным кодом в мире, значительно превосходя при этом любую модель с открытыми весами, разработанную в США или Европе. В критически важных корпоративных задачах, включая кибербезопасность, финансы и право, мы считаем её передовой среди открытых моделей. В некоторых областях, таких как визуальное обоснование (visual grounding), она идет еще дальше, превосходя даже передовые закрытые модели.

Мы выпустим веса к концу месяца. До тех пор мы проводим «красные учения» (red-teaming) модели в реальных условиях совместно с лидерами в области кибербезопасности, проверенными партнерами и государственными органами, которые получат доступ к той же модели с ослабленной модерацией и расширенными кибервозможностями.

Демонстрации

Создано в Европе. Построено для суверенитета в области ИИ.

ML4 была обучена с нуля на 3800 графических процессорах NVIDIA Grace Blackwell в собственных дата-центрах Mistral в Европе. Публичная предварительная версия работает на той же инфраструктуре. Это важная веха в наших долгосрочных инвестициях в инфраструктуру, исследования и разработку продуктов: передовая производительность в критически важных вертикалях, предоставляемая через открытые веса, разработанная для того, чтобы дать клиентам контроль над их ИИ.

Это особенно важно в кибербезопасности, где отказы на уровне провайдера могут блокировать законные исследования уязвимостей и реагирование на инциденты, а потеря доступа к возможностям в разгар инцидента сама по себе может стать критическим риском безопасности. ML4 сочетает в себе первоклассную киберпроизводительность с открытыми весами и возможностью самостоятельного развертывания, предоставляя организациям как возможности, так и автономию для выполнения передовых задач по обеспечению безопасности в соответствии с их собственными политиками.

Модель будет доступна в нескольких регионах по всему миру, включая европейский сегмент, который Mistral управляет полностью самостоятельно, независимо от других поставщиков цифровых услуг и в соответствии с европейским законодательством. Интересный факт: значительная часть данных для обучения ML4 была многоязычной и охватывала более 160 языков, включая все официальные языки Европейского союза.

Мы тесно сотрудничали с ведущими предприятиями по всему миру в сферах финансов, инженерии, производства, логистики, фармацевтики, науки, судоходства, государственного сектора и других критически важных отраслях для обучения ML4. Фактически, модель использует ту же среду обучения, настройки и обучения с подкреплением (RL), которую мы предлагаем нашим клиентам через Mistral Forge.

Попробуйте сегодня

Впереди еще много нового. По мере приближения к выпуску весов мы поделимся дополнительными подробностями об архитектуре модели, дополнительными бенчмарками и нашей методологией пост-тренировки.

Эта модель также послужит основой для нового поколения специализированных и оптимизированных моделей Mistral. Тем временем мы приглашаем вас попробовать API предварительной версии и поделиться с нами своими отзывами в социальных сетях.

Глубокий анализ возможностей

Кибербезопасность

ML4 — одна из самых сильных ИИ-моделей в мире для кибербезопасности. В Artificial Analysis Cyber Index, независимой оценке того, насколько хорошо ИИ-модели находят и исправляют уязвимости безопасности в реальном программном обеспечении, она входит в пятерку лучших моделей в мире и значительно опережает модели с открытыми весами, разработанные за пределами Китая. В одном из тестов индекса, который требует от модели воспроизвести реальную уязвимость в программном обеспечении с открытым исходным кодом, а затем исправить её, ML4 набирает 82%, что является самым высоким показателем среди всех моделей. Она также решает 93% задач в Cybench, наборе из 40 упражнений, взятых из соревнований по безопасности, что является одним из самых высоких результатов, зафиксированных для модели с открытыми весами.

Этот высокий результат отражает практическое преимущество. Несколько ведущих закрытых моделей, включая Claude Opus 5.5 и GPT-6 Astra, набирают около нуля в том же тесте, потому что они отказываются выполнять задачу. Тем не менее, защита программного обеспечения часто начинается с доказательства того, что уязвимость реальна — именно тот вид работы, который могут блокировать фильтры безопасности в закрытых моделях. Это становится еще важнее, поскольку злоумышленники все чаще взламывают те же самые модели для поддержки наступательной киберактивности: защитникам нужны системы, которые могут соответствовать этим возможностям, не будучи ограниченными теми же отказами. ML4 может выполнять эту работу, и её возможности выходят за рамки того, для чего она была специально обучена: во внутреннем тестировании она оказалась полезной для анализа вредоносного ПО, приоритизации уязвимостей и написания правил обнаружения. Для организаций, которым нужен суверенный, аудируемый ИИ для операций по безопасности, она сможет работать в частном облаке или локально (on-premise).

Агентное программирование

ML4 превосходно справляется с разработкой программного обеспечения, пониманием репозиториев и сложными рабочими процессами в терминале, набирая 61,7% в DeepSWE v1.1, 59,4% в SWE-Atlas-QnA и 28,3% в Terminal-Bench 4. Её совокупный балл Coding Agent Index, равный 49,8%, ставит её впереди DeepSeek V4 Pro 0813 и Qwen3.8 Max.

* Оценки в DeepSWE, Terminal-Bench 4 и SWE Atlas QnA используют цифры, представленные индексом программирования ArtificialAnalysis. Vibe Code Bench v1.1 использует цифры, представленные vals.ai.

Мы также провели слепую оценку качества программирования с участием Surge AI: профессиональные аннотаторы оценивали результаты работы моделей по шкале от 1 до 5, при этом личности моделей были скрыты. ML4 Preview заняла второе место из пяти моделей (3,74), опередив Kimi K3 (3,59), GLM-5.3 (3,60) и GLM-5.2 (3,40), и уступив только Claude Opus 5 (4,22).

Агентные рабочие процессы

ML4 запускает агентов общего назначения, которые собирают информацию, используют инструменты и создают готовые результаты в сложных рабочих процессах. В AutomationBench — 657 бизнес-процессов в таких приложениях, как Gmail, Google Sheets, Slack и Salesforce — она набирает 59,9%, опережая Kimi K3, MiMo-V2.6-Pro и DeepSeek V4 Pro.

Она столь же сильна в профессиональных результатах, которые на самом деле создает интеллектуальная работа: электронные таблицы, презентации и PDF-файлы. В AA-Briefcase, который оценивает долгосрочную интеллектуальную работу, она достигает 1393 Elo, опережая DeepSeek V4 Pro.

Мультимодальность

ML4 — это качественный скачок в способности наших моделей понимать изображения. Она мощно рассуждает над сложными документами, графиками и естественными изображениями, а также привносит возможности компьютерного зрения в отрасли, где восприятие критически важно, такие как инженерия, производство и наблюдение за Землей.

Модель может дополнительно сочетать визуальное обоснование с агентными возможностями: от инспекции гигапиксельных спутниковых снимков — помогая командам реагирования на стихийные бедствия действовать, когда время имеет значение — до анализа инженерных чертежей — приближая, осматривая и проверяя до тех пор, пока ответ не станет точным. В наших демонстрациях выше ML4 обосновывает плотные естественные сцены, проверяет механические детали на технических чертежах, извлекает доказательства из PDF-файлов и сканирует массивные геопространственные изображения в поисках самых труднодоступных объектов.

Что касается визуального обоснования, мы обнаружили, что ML4 является одной из самых способных моделей, которые мы тестировали, например, превосходя GPT-6-Astra в тесте Dense 200 (42% против 41%).

Наука и математика

ML4 обладает мощными научными возможностями, созданными путем объединения методов на основе ИИ с опытом наших исследователей в области математики, физики и химии.

Модель обладает высокой квалификацией в агентном программировании для таких научных задач, как анализ данных, моделирование и симуляция физической реальности, что позволяет исследователям сосредоточиться на вопросах, а не на технической реализации. В бенчмарках ML4 является передовой моделью среди моделей с открытыми весами по результатам SciCode-Verified. На практике она может сгенерировать полную симуляцию Хартри-Фока за один проход — сложную многоэтапную химическую задачу, состоящую из ряда продвинутых процедур.

Математические способности ML4 также стали сильнее, как в формальных рассуждениях, так и в прикладной математике. В наших оценках с участием людей модель рассуждает более точно и структурированно, чем GLM-5.3, и способна поддерживать длительные, узкоспециализированные задачи по прикладной математике, включая работу, актуальную для передовой теоретической физики.

В совокупности эти возможности делают ML4 сильным помощником в исследованиях на протяжении всего технического рабочего процесса — от постановки первого вопроса до получения окончательного результата.

SciCode-Verified тестирует способности моделей реализовывать сложные научные рабочие процессы в коде для таких областей, как физика, математика, материаловедение и биология.

Внутренняя оценка ML4 по сравнению с GLM5.3 в задачах STEM (математика и физика)

Интеллектуальная работа

ML4 — наша самая способная модель для реальных задач, с которыми профессионалы сталкиваются каждый день. Она может создавать, редактировать и исправлять сложные электронные таблицы и документы, демонстрируя образцовую производительность как в юридических, так и в финансовых бенчмарках.

Примечательно, что мы оценивали ML4 с помощью сторонних оценщиков () на репрезентативных задачах как в юридической, так и в финансовой сферах, обнаружив, что модель превосходит GPT-6-Astra в обоих случаях. В бенчмарке Legal Agent от HarveyAI модель ML4 превосходит все модели с открытым исходным кодом.

FinWorkBench тестирует возможности модели по созданию/редактированию электронных таблиц на реальных примерах использования в финансах и бухгалтерском учете.

Финансовый анализ требует точности и способности синтезировать информацию из нескольких источников — процесс, который во многих финансовых учреждениях до сих пор остается трудоемким. В этой демонстрации ML4 и Mistral Medium 3.5 берутся за одну и ту же многоэтапную задачу корпоративных финансов, выполняя поиск по документации публичных компаний и финансовым отчетам, таким как те, что доступны через EDGAR и аналогичные европейские базы данных. Анимированная семантическая карта отслеживает путь каждой модели к решению, выделяя каждый документ, полученный в процессе. Положение каждого трека отражает собранные доказательства, результаты расчетов и вопросы, которые остаются нерешенными. Зрители могут проследить, как разворачиваются исследования, и сравнить различные пути, которые выбирает каждая модель, прежде чем прийти к окончательному ответу.

Безопасность модели

ML4 достигла максимума в наших бенчмарках на устойчивость к косвенным инъекциям промптов, что ставит ее в авангард моделей с открытым исходным кодом (по сравнению с GLM-5.2, GLM-5.3, Kimi-K2.6, Kimi-K3, DS-V4-Pro-0813). В публичном тесте Lakera B3 AI Security Benchmark ML4 отражает 93,3% атак — мы не видим более высоких показателей среди конкурентов.

ML4 также взаимодействует с пользователями более ответственно, чем любая из наших предыдущих моделей. Мы подчеркиваем наши результаты в бенчмарке KORA, где ML4 снова занимает наш самый высокий измеренный балл среди моделей с открытым исходным кодом (1,691, где 2 — это максимум, обозначаемый как «Образцовый»).

Особую актуальность имеет склонность модели отказывать в выполнении вредоносных запросов, касающихся кибербезопасности. Несмотря на высокую производительность в кибер-бенчмарках, средний уровень отказов модели на кибер-промпты от JailbreakBench, StrongREJECT и AgentHarm выше, чем у всех моделей с открытым исходным кодом.

Оценка людьми

Мы провели внутреннюю оценку, в которой эксперты-аннотаторы в области программирования, автоматизированного проектирования (САПР), финансов, математики и физики сравнивали Mistral Large 4 с GLM-5.3. ML4 предпочли в САПР и STEM, в то время как в финансах и программировании она показала результаты на уровне или близкие к GLM-5.3.

Обучение с подкреплением в масштабе

Базовые модели быстро совершенствуются, и наше пост-обучение должно идти в ногу со временем. Рецепт, настроенный для вчерашней модели, оставляет неиспользованными возможности сегодняшней передовой модели, потому что примеры с «истиной в последней инстанции», которые когда-то доводили модель до предела, больше этого не делают. Мы используем обучение с подкреплением (RL), потому что оно адаптируется по мере адаптации самой модели: мы обучаемся на результатах собственных попыток модели, и мы можем повышать сложность и широту задач по мере того, как она становится сильнее.

Наша библиотека RL была разработана для того, чтобы новые среды было легко добавлять и обучать в масштабе. Общий компонуемый интерфейс позволяет одному циклу обучения объединять задачи, начиная от чата с одним поворотом и сложного решения научных проблем до обеспечения безопасности, фактической точности и использования инструментов на длинных горизонтах. Эти среды используют общие каркасы и ресурсы, такие как песочницы кода, веб-поиск и внешние API. Та же компонуемость распространяется на верификацию, где модели вознаграждения, модульные тесты, судьи LLM и статические проверки комбинируются по мере необходимости для каждой задачи.

Во время выполнения масштабируемый парк агентов генерирует десятки тысяч развертываний параллельно, пока обучение модели продолжается асинхронно. Конвейер генерации и обучения оптимизирован для длинных траекторий, поддерживая бюджеты развертывания в миллионы токенов при сохранении низкой задержки. Новые методы и оптимизации на обоих этапах минимизируют отклонение от политики и обеспечивают стабильное RL на длинных горизонтах.

При нашем текущем масштабе (3 тыс. графических процессоров) один цикл обучения дает примерно 33 миллиарда токенов в день, из которых около 16 миллиардов — обучаемые токены завершения после фильтрации и маскирования. Мы можем видеть прогресс выполнения непосредственно в развертываниях обучения: награды за обучение растут в нескольких репрезентативных средах по мере того, как политика учится решать все более сложные задачи. Ниже приведено несколько примеров.

Улучшения не ограничиваются средами, на которых мы обучаемся; они переносятся на последующие оценки, и финальная модель обязана ими обоим этапам пост-обучения (контролируемая донастройка и RL), как показано на графиках.

Что дальше

Это только начало. ML4 — первая веха на дорожной карте, финансируемой нашим раундом серии D на сумму 3 миллиарда евро — крупнейшим раундом акционерного капитала, когда-либо привлеченным европейской технологической компанией. Этот капитал уже пущен в дело: мы значительно масштабируем наши вычислительные мощности в наших собственных европейских центрах обработки данных, и многое другое будет введено в эксплуатацию в ближайшие месяцы.

Больше вычислительных мощностей означает больше обучения. Процесс обучения с подкреплением, стоящий за этим предварительным просмотром, все еще продолжается, и модель не показывает признаков насыщения — впереди значительный запас прочности. По мере масштабирования обучения на нашей расширенной инфраструктуре мы ожидаем больших и быстрых улучшений в ближайшие недели и месяцы.

Мы выпустим веса до конца месяца, а также предоставим более подробную информацию об архитектуре, дополнительные бенчмарки и нашу методологию пост-тренировки. И ML4 — это только фундамент: он послужит базой для нового поколения специализированных и оптимизированных моделей Mistral, созданных для отраслей и рабочих нагрузок, которые наиболее важны для наших клиентов.

Темпы прогресса с этого момента будут высокими. Следите за обновлениями.

← Все статьи

О чём эта статья

Ещё в разделе «AI и машинное обучение»

Все →
Создание новых инструментов исследования для эпиграфики майя на платформе Modal
Modal

Создание новых инструментов исследования для эпиграфики майя на платформе Modal

Представляем тарифный план Launch
Datalab

Представляем тарифный план Launch

Genie 4 уже доступен
DeepMind

Genie 4 уже доступен

LocalAI 5.0: ваш ИИ выполняет работу, а файлы остаются у вас
LocalAI

LocalAI 5.0: ваш ИИ выполняет работу, а файлы остаются у вас

Ваш собственный ComfyUI теперь в Comfy Cloud
Comfy Org

Ваш собственный ComfyUI теперь в Comfy Cloud

Совершенствование проектирования чипов с помощью моделей OpenAI
OpenAI

Совершенствование проектирования чипов с помощью моделей OpenAI

Ещё от Mistral AI

Le Chonk берет на себя интеллектуальную работу. Studio воплощает ее в жизнь.
Mistral AI

Le Chonk берет на себя интеллектуальную работу. Studio воплощает ее в жизнь.

Le Chonk: создано для программистов, проверено защитниками.
Mistral AI

Le Chonk: создано для программистов, проверено защитниками.