Mistral Large 4 כמגן סייבר on-prem: המודל הפתוח מגיע עם דו״ח טכני של 30 עמודים
כמה שבועות אחרי ששחררה את המודל כמודל פתוח, Mistral מגיעה עם מסר מכירה חד יותר ל-Large 4: הגנת סייבר ו-AI ריבוני. לפי דיווח של Computer Weekly מ-13 בנובמבר, Mistral רוצה שצוותי אבטחה ותעשיות מפוקחות יריצו את המודל על התשתית שלהם. כך הם יוכלו לאתר ולתקן חולשות בקוד בלי לשלוח נתונים לשירות צד שלישי. ML4 הוא מודל MoE מולטימודלי עם טריליון פרמטרים בסך הכול, מתוכם כ-52 מיליארד פעילים בכל רגע. הוא יצא ל-public preview בתחילת אוקטובר, ב-29 באוקטובר Mistral שחררה אותו כמודל פתוח, ואחר כך פרסמה דוח טכני של 30 עמודים.
הדוח מביא את המספרים. ML4 קיבל 19.7% ב-FrontierCode 2.0 של Cognition ו-41% ב-Terminal-Bench 4.0, יותר מכל מודל פתוח אחר שפרסם ציון. שלושה שבועות נוספים של reinforcement learning אחרי ה-preview העלו את הציון ב-Terminal-Bench ב-13 נקודות אחוז, וקיצצו את כמות ה-token בפלט ב-30%. Pierre Stock, סגן נשיא למדע ב-Mistral, הסביר את השיטה: "מדמים, למשל, מערכת שהמודל צריך לתקן, ומתגמלים אותו בכל פעם שהוא מצליח לתקן אותה, ומענישים אותו בכל פעם שהוא נתקע במבוי סתום". ספקיות אבטחה כמו CrowdStrike מאמנות על שנים של טלמטריה, ו-Mistral בחרה לסמוך על RL במקום זה.
ML4 הוא לא המודל הפתוח הטוב ביותר בכל תחום. GLM-5.3 עקף אותו בהפרש קטן ב-Coding Agent Index של Artificial Analysis, 48.9% מול 48.3%. ב-Cyber Index של Artificial Analysis היתרון של DeepSeek V4.1-Flash ברור יותר: 56.8% מול 50.9%. דרך Mistral המודל עולה כ-3.48 דולר למיליון token, ו-Mistral Studio אמור לפשט את ה-deploy בענן, ב-VPC ו-on-prem.
היתרון האמיתי של Mistral הוא טיעון הריבונות, כחלופה אירופית למודלים הסגורים האמריקאיים. הוא בולט עוד יותר עכשיו, כש-Meta נראית כמי שנסוגה ממחנה המודלים הפתוחים עם Muse Ember, שזמין רק כשירות מנוהל. יש גם הסתייגויות: המודלים הסגורים המובילים עדיין מובילים ברוב ה-benchmark של קוד, והרצה של מודל בגודל טריליון פרמטרים on-prem דורשת כמות רצינית של GPU. NVIDIA, לשם השוואה, נאלצה לפצל את GLM-5.3 בין שתי DGX Station רק כדי להגיש אותו מקומית.