A Mistral bemutatta az egymilliárd paraméteres Large 4 modellt

Nagyobb modell, nyílt súlyokkal

A Mistral Large 4 a Mistral AI eddigi legnagyobb és a vállalat szerint legfejlettebb modellje. A natívan multimodális rendszer 1 billió paraméteres, miközben egy válasz előállításakor 49 milliárd aktív paramétert használ. A Mistral szerint a modell kódolásban, ügynöki munkafolyamatokban és multimodális értelmezésben is erős teljesítményt mutat.

A cég állítása szerint a Large 4 már most versenyképes a világ legerősebb nyílt forrású modelljeivel, és jelentősen felülmúlja az Egyesült Államokban vagy Európában fejlesztett nyílt súlyú modelleket. Kiberbiztonsági, pénzügyi és jogi vállalati feladatokban a Mistral saját értékelése szerint a nyílt modellek között a legjobbak közé tartozik. A vizuális alapozás, vagyis a képeken és dokumentumokon belüli pontos helymeghatározás terén a vállalat szerint zárt, élvonalbeli modelleket is megelőz.

Európai infrastruktúrán készült

A modellt nulláról, 3800 NVIDIA Grace Blackwell GPU használatával tanították a Mistral európai adatközpontjaiban. A nyilvános előzetes ugyanilyen infrastruktúrán fut. A vállalat a nyílt súlyokat úgy mutatja be, mint amelyek nagyobb kontrollt adhatnak az ügyfeleknek az alkalmazott mesterséges intelligencia felett.

A Mistral különösen a kiberbiztonsági felhasználást emeli ki. Szerintük a szolgáltatói tiltások akadályozhatják a legitim sérülékenységkutatást és az incidenskezelést, miközben egy incidens közben a hozzáférés elvesztése önmagában is biztonsági kockázat lehet. A Large 4 magánfelhőben vagy helyben, saját infrastruktúrán is futtatható lesz, a szervezetek saját szabályai szerint. A modell több régióban lesz elérhető, köztük olyan európai telepítéssel, amelyet a Mistral önállóan, más digitális szolgáltatóktól függetlenül és az európai jog alapján üzemeltet.

A tanítási adatok jelentős része többnyelvű volt, több mint 160 nyelvet fedett le, köztük az Európai Unió valamennyi hivatalos nyelvét.

Kiberbiztonságban és kódolásban is tesztelték

A Mistral közlése szerint a Large 4 az Artificial Analysis Cyber Indexen a világ öt legerősebb kiberbiztonsági modellje között szerepel. Egy olyan teszten, amelyben egy nyílt forrású szoftver valódi sérülékenységét kell reprodukálni és javítani, 82 százalékot ért el. A vállalat szerint ez volt a legmagasabb eredmény az összes vizsgált modell között. A Cybench 40, biztonsági versenyekből származó feladatából 93 százalékot oldott meg.

A rendszer belső teszteken hasznosnak bizonyult kártevők elemzésében, sérülékenységek rangsorolásában és észlelési szabályok írásában is. Kódolásban a DeepSWE v1.1 teszten 61,7, a SWE Atlas QnA feladatsoron 59,4, a Terminal Bench 4 teszten pedig 28,3 százalékot ért el. A kombinált Coding Agent Indexen 49,8 pontot kapott, ezzel a Mistral szerint a DeepSeek V4 Pro 0813 és a Qwen3.8 Max elé került.

Egy vak, emberi kódminőség-értékelésben a Large 4 előzetese öt modell közül a második helyen végzett, 5-ből 3,74-es eredménnyel. Az értékelésben a Claude Opus 5 végzett előtte 4,22 ponttal.

Képek, dokumentumok és ügynöki feladatok

A multimodális képességek között a Mistral a bonyolult dokumentumok, diagramok és természetes képek elemzését emeli ki. A modell műszaki rajzokon alkatrészeket vizsgálhat, PDF-ekből bizonyítékokat kereshet, és nagy geotérképi képeken is azonosíthat nehezen megtalálható objektumokat. A Dense 200 vizsgálatban 42 százalékot ért el, szemben a GPT-6-Astra 41 százalékos eredményével.

Általános célú ügynökként a Large 4 információkat gyűjt, eszközöket használ, majd összetett munkafolyamatok végén kész anyagokat állít elő. Az AutomationBench 657, Gmailt, Google Sheetset, Slacket és Salesforce-t használó üzleti munkafolyamatán 59,9 százalékot ért el. Az AA-Briefcase hosszú, tudásalapú feladatokat vizsgáló értékelésén 1393 Elo-pontot kapott.

A Mistral további architektúra részleteket, benchmarkeredményeket és a tanítás utáni módszertant is közzétesz a súlyok kiadása előtt. A Large 4 emellett egy új, specializált és optimalizált Mistral-modellekből álló generáció alapjául szolgálhat.