Mistral AI представила Mistral Large 4 (Le Chonk): гигантскую мультимодальную MoE-модель на 1,05 трлн параметров

Компания Mistral AI официально объявила о выходе публичной превью-версии языковой модели Mistral Large 4 (ML4), получившей внутреннее кодовое имя «Le Chonk». Эта масштабная мультимодальная MoE-модель обладает общей сложностью в 1,05 триллиона параметров и способна обрабатывать нативный визуальный ввод.

Новинка разработана с нуля на базе кластера из 3800 графических процессоров NVIDIA Grace Blackwell в европейских дата-центрах компании. Рассмотрим детально архитектуру, ключевые особенности и практические возможности этого громкого релиза осенью 2026 года.

Главное о Mistral Large 4

Публичный релиз в формате предварительного доступа состоялся 6 октября 2026 года. Архитектура ML4 построена по принципу гранулированной Mixture of Experts (MoE), где из триллионного массива параметров на один токен активируется лишь около 49 миллиардов. Модель получила нативную поддержку изображений и колоссальное окно контекста в 1 миллион токенов.

На момент запуска программный интерфейс (API) уже функционирует по цене $1.36 за миллион входящих и $4.18 за миллион исходящих токенов. Однако сами веса модели будут опубликованы только ближе к концу октября 2026 года, поэтому локальный запуск и самостоятельный хостинг пока невозможны. Наиболее впечатляющие результаты модель демонстрирует в сфере информационной безопасности, где коммерческие закрытые системы часто отказываются выполнять задачу из-за политик безопасности.

Архитектурные особенности

Модель представляет собой гибридную систему инструктивного и рассуждающего типа (instruct-and-reasoning MoE) с поддержкой изображений на базовом уровне. За счет того, что на каждый токен задействуется всего около 4,7% весов, разработчикам удалось обеспечить производительность систем класса в один триллион параметров при ценообразовании среднего уровня.

Тем не менее, полный объем в 1,05 триллиона параметров должен постоянно удерживаться в памяти оборудования, поэтому показатель активных весов влияет на вычислительную нагрузку, но не снижает требования к объему видеопамяти. В состав архитектуры также входит встроенный визуальный энкодер на 1,6 миллиарда параметров. Точное количество экспертов, схема маршрутизации top-k и конфигурация слоев создателями пока не раскрываются — эти данные появятся вместе с открытыми весами. Масштабный тренировочный датасет охватывал свыше 160 языков, включая все официальные языки стран Европейского союза.

Анализ производительности и тесты

В области кибернетической безопасности ML4 демонстрирует 93% правильных ответов в бенчмарке Cybench и 82% в CyberGym-E2E, что позволяет ей занимать место в топ-5 глобального индекса Artificial Analysis Cyber Index. Эксперты компании отмечают важный структурный нюанс: несколько известных закрытых моделей получают в тестах CyberGym-E2E оценки, близкие к нулю, поскольку они полностью отказываются выполнять подобные задачи. Воссоздание уязвимостей для доказательства их реальности — это стандартная практика защитного аудита, однако ограничения провайдеров искусственного интеллекта блокируют такие запросы.

Тестирование в программировании и слепом анализе

В задачах автономного кодирования (agentic coding) модель показывает 61,7% в DeepSWE v1.1, 59.4% в SWE-Atlas-QnA и 28.3% в Terminal-Bench 4.0. Суммарный индекс Coding Agent Index от Artificial Analysis составляет 49,8%. Разработчики уточняют, что тесты проводились приватно до публичного выхода испытательных стендов, поэтому независимая верификация еще предстоит.

Более объективным сигналом выступают слепые тесты с участием специалистов Surge AI. Профессиональные аннотаторы оценили превью-версию ML4 в 3,74 балла из 5. Модель заняла второе место среди пяти участников, опередив GLM-5.3 (3,60) и Kimi K3 (3,59), но уступив лидеров в лице Claude Opus 5 с показателем 4,22.

Показатели безопасности

В тестах на безопасность модель успешно отражает 93,3% атак на бенчмарке B3 от компании Lakera. Кроме того, она набирает 1,691 балла из максимально возможных 2,0 на платформе KORABench.

Сравнение с открытыми конкурентами

На рынке открытых весов новинка от Mistral AI соревнуется с другими тяжеловесными решениями. Так, DeepSeek V4 Pro оперирует 1,6 трлн общих параметров при аналогичных 49 млрд активных на токен, использует окно контекста в 1M, но не имеет нативного ввода изображений и распространяется по лицензии MIT. Модель Kimi K3 предлагает 2,8 трлн параметров (~104 млрд активных), поддерживает картинки и контекст 1M, базируясь на модифицированной лицензии MIT. Модель GLM-5.3 имеет нераскрытые параметры, контекст 1M без нативных изображений и использует собственную лицензию. В отличие от конкурентов, веса Mistral Large 4 станут доступны только в конце октября 2026 года, а стоимость ее API составляет $1.36 за вход и $4.18 за выход.

Практическое применение и создание продуктов

Текущая превью-версия программного интерфейса поддерживает вызов функций (function calling), структурированные ответы, вопросно-ответные системы по документам (document QnA), пакетную обработку запросов, а также специализированные эндпоинты Agents и Conversations.

Отдельного внимания заслуживает стоимость кэшированного ввода, которая составляет всего $0.14 за 1 миллион токенов. Это кардинально меняет экономическую модель работы с долгоконтекстными агентскими циклами при миллионном окне ввода.

Главные выводы релиза

Новая разработка французской компании объединяет 1,05 триллиона общих параметров, 49 миллиардов активных весов на токен, миллионный контекст и встроенный визуальный модуль на 1,6 миллиарда параметров. Процесс обучения проходил на 3800 ускорителях Grace Blackwell в собственных дата-центрах компании на территории Европы.

Превью API уже доступно коммерческим разработчикам по цене $1.36 за входящие и $4.18 за исходящие токены. Полноценный релиз весов запланирован на конец октября 2026 года, открывая путь к самостоятельному развертыванию. Наиболее сильные позиции модель демонстрирует в сегменте кибербезопасности, где закрытые конкуренты часто накладывают жесткие этические отказы на выполнение подобных операций.