Mistral AI выложила в открытый доступ веса флагманской модели Mistral Large 4 с внутренним именем Le Chonk. Это крупнейшая открытая мультимодальная MoE-модель, обученная с нуля полностью в Европе: 1 триллион параметров, из которых на каждый токен приходится 52B активных, при окне контекста в 1M. После публичного превью модель дообучили методом RL под программирование и кибербезопасность. Веса опубликованы на Hugging Face под модифицированной MIT-лицензией, которая разрешает self-hosting, но требует отдельной лицензии для коммерческого использования модели как сервиса. Попробовать Mistral Large 4 можно без локальной установки через Mistral API, OpenRouter и другие готовые каналы.
Что произошло
Mistral разместила веса Mistral Large 4 в репозитории mistralai/Mistral-Large-4-1T-A52B на Hugging Face и опубликовала технический анонс. Модель собрана как mixture-of-experts: 128 роутинговых экспертов плюс один общий, при 52B активных параметров на токен из общего объёма в триллион. Обучение с нуля прошло на 3800 ускорителях NVIDIA Grace Blackwell в европейских дата-центрах, а после превью модель дообучали через RL по направлениям программирования и кибербезопасности. По данным анонса, она набрала 48% в Artificial Analysis Coding Agent Index — на уровне GLM-5.3, но с на 47% меньшим расходом токенов на задачу — и 51% в Artificial Analysis Cyber Index, который охватывает поиск, воспроизведение и патчинг уязвимостей. Дополнительные цифры по безопасности: 96,6% отказов на вредоносных запросах и 97,1% в B3 Agent Security. Для управления себестоимостью генерации предусмотрены три режима рассуждений — Low, Medium и включённый по умолчанию High. Лицензия получила название Mistral Ecosystem Open-Weight License и является модифицированной версией MIT, в которой коммерческое использование модели как сервиса (Model-as-a-Service) требует отдельной лицензии у Mistral.
Контекст
Релиз важен не сам по себе, а как развилка в open-weight-ландшафте: Mistral впервые вывела в открытый доступ мультимодальную модель флагманского класса, целиком обученную на европейской инфраструктуре, и сопроводила её рецептами запуска. Архитектурная логика здесь — разреженное масштабирование: благодаря маршрутизации по 128 экспертам на каждый токен работает лишь 52B из триллиона параметров, что позволяет удерживать умеренную стоимость генерации при большом общем объёме, а контекст в 1M расширяет сценарии для агентов и работы с большими документами. Три режима рассуждений отражают понимание того, что объём вычислений на этапе генерации определяет не только качество ответа, но и его себестоимость. Ставка Mistral на этом релизе — Sovereign AI: компании и госорганы должны иметь возможность инспектировать, дообучать и разворачивать модель на собственной инфраструктуре без зависимости от чужого API. Показательно и выбранное направление специализации: модель целенаправленно поднимали на defensive-сценариях, то есть на поиске и закрытии уязвимостей с высоким уровнем отказов на вредоносных запросах. Для корректной оценки стоит помнить об ограниченности сравнительного набора: ключевое сопоставление по токен-эффективности сделано только с одной моделью, GLM-5.3.
Почему это важно для индустрии
Для компаний и разработчиков открытые веса дают предсказуемую альтернативу API: модель можно инспектировать, дообучать и разворачивать на своей инфраструктуре, а порог входа снижен готовыми рецептами развёртывания. Экономика при этом прозрачна с первого дня: через Mistral API цена составляет $0.70 за миллион входных токенов, $0.07 при кешировании входа и $2.10 за миллион выходных; появление обученного в Европе фронтир-флагмана по такой цене снижает нижнюю границу стоимости сильного инференса и подталкивает коммодитизацию доступа к топ-моделям. Для стартапов сигнал двойственный: тонкие обёртки над чужими API теряют ренту, зато открывается пространство для продуктов, которые строят ценность на self-hosting, кастомизации и доменных сценариях. Отдельная точка роста — defensive-секьюрити-профиль: высокие результаты в Cyber Index в сочетании с низкой долей срабатываний фильтров на легитимных задачах делают модель кандидатом для внутренних аудиторов кода и первичного трайажа репортов об уязвимостях. При этом облачным провайдерам нужно держать в уме лицензионное ограничение: коммерческая развёртка модели как сервиса требует отдельной лицензии у Mistral, так что перепродать веса в виде собственного API бесплатно не получится.
Почему это важно для пользователей
Попробовать модель можно прямо сейчас без локальной установки: через Mistral API под идентификатором mistral-large-4, через OpenRouter под mistralai/mistral-large-4-0, в среде Vibe Code или через оптимизированные контейнеры NVIDIA NIM. Для запуска на своём железе Mistral выложила готовые образы vLLM (vllm/vllm-openai:mistral-large-4) и SGLang, причём связка со спекулятивным декодированием DSPark заявляет до 1.9x пропускной способности. Переключение режима рассуждений позволяет балансировать качество ответов и стоимость генерации, что особенно заметно в агентах с большим числом шагов. Контекст в 1M и поддержка 160+ языков делают модель удобной базой для ассистентов над большими документами, автоматизации код-ревью и обработки заявок на разных языках. Первые прототипы логично собирать вокруг код-аудита и разбора отчётов об уязвимостях — именно под эти направления модель дообучалась после превью. Практический бонус в том, что один и тот же клиентский код работает практически без изменений и через API, и с self-hosted-развёрткой, поэтому модель можно спокойно проверить на своих задачах до каких-либо инфраструктурных обязательств.
Что пока неизвестно / ограничения
Главные оговорки касаются цифр производительности: 48% в Coding Agent Index и 51% в Cyber Index опираются на оценки Artificial Analysis из анонса вендора — это пока заявления, а не независимые измерения, и публичных тестовых наборов, протокола оценки и сторонних репликаций нет. Заявленная экономия токенов проверена только в сравнении с одной моделью, GLM-5.3, поэтому экстраполировать её на другие пары моделей преждевременно. Для self-hosting пока нет публичных данных о фактических требованиях к железу, задержках и реальной стоимости эксплуатации за пределами готовых образов. Ожидания, что вокруг открытых весов быстро сформируются квантизации, форки и дообученные варианты, остаются прогнозами, а не свершившимися событиями; проверять анонсированную эффективность стоит на собственном workload'е до закладки цифр в продуктовые планы.
Источники
- Mistral Large 4 (Le Chonk) is now open weight | Mistral
- mistralai/Mistral-Large-4-1T-A52B · Hugging Face
- Mistral Large 4 - Mistral AI | Mistral Docs
Автор
Look at AI, редакция