Mistral Small 4 קובע רף sparse-efficiency: 119B כולל, 6.5B פעילים

Mistral Small 4 דוחפת את יעילות ה-mixture-of-experts הדליל למקסימום: 119 מיליארד פרמטרים בסך הכול, אך רק 6.5 מיליארד פעילים בכל forward pass — כלומר היא מספקת איכות של מודל גדול בשבריר מעלות המחשוב. בדיוק FP4 היא נכנסת לכ-142GB של זיכרון GPU, מה שממצב אותה כאפשרות open-source לצוותים שרוצים יכולת חזקה בלי חשבונות inference בקנה מידה מוביל — רלוונטי ישירות בעיצומה של מלחמת המחירים של השבוע שמובילות DeepSeek ו-Qwen.

מעבר למודל, Mistral השלימה את ה-stack שלה: היא רכשה את קבוצת ה-physics-AI האוסטרית Emmi AI, בהתרחבות לעבר AI מדעי/סימולציה, והשיקה את Voxtral TTS לסינתזת דיבור, כלי OCR 4 למסמכים ו-Search Toolkit. הרוחב מסמן את השאיפה של Mistral להיות ספקית AI אירופית מלאה (full-stack) ולא רק חברת מודלים טהורה.

מבחינה תחרותית, הדלילות הקיצונית של הפרמטרים הפעילים היא הטענה הטכנית המרכזית — הרצת איכות קרובה-למובילה על node בודד עתיר-זיכרון היא בדיוק מה שרוצים ארגונים אירופיים ש-self-host ולקוחות רגישים לפרטיות. זה גם נוחת בשבוע צפוף של מודלים פתוחים לצד Qwen 3.8-Max ו-MiniMax H3, כש-Simon Willison מציין את המבול של שחרורים כמעט-בו-זמניים.

הסתייגויות: 6.5 מיליארד פרמטרים פעילים מרמזים על routing חזק, אך מודלי MoE עלולים לתת ביצועים נחותים ממודלים צפופים במשימות שדורשות הסקה רחבה בין-תחומית, וטענות ה-benchmark של Mistral ממתינות לאישור עצמאי. רכישת Emmi AI היא בשלב מוקדם והתמורה שלה לא ברורה. מה לעקוב: הערכות צד-שלישי של Small 4 מול מודלים פתוחים דומים, והאם ה-toolkit של Voxtral/OCR/Search יזכה לאחיזה אמיתית בקרב מפתחים מול השחקנים הקיימים.