Вышла Mistral Large 4 «Le Chonk» — лучшая открытая модель за пределами Китая с улучшенными навыками программирования и на 63% более низкой стоимостью выполнения задачи

Mistral опубликовала открытые веса для загрузки своей модели Large 4 с триллионом параметров под собственной лицензией, предоставив предприятиям новую возможность самостоятельно запускать и настраивать ИИ-модель почти передового уровня. Независимые тесты показывают, что главные улучшения по сравнению с предварительной версией касаются эффективности, снижения затрат и уменьшения числа выдуманных ответов, а общие возможности выросли незначительно.

В своей оценке от 29 октября независимая аналитическая компания Artificial Analysis присваивает ML4 в режиме высокого уровня рассуждений 26 баллов по Intelligence Index v5 против 25 у предварительной версии. Это на балл выше, чем у Muse Spark Open в режиме xhigh, что делает ML4 моделью с самым высоким результатом среди моделей с доступными весами, разработанных за пределами Китая, в этой оценке.

При этом она на шесть баллов отстает от лидеров среди моделей с открытыми весами — DeepSeek V4.1 Flash 1017 и GLM-5.3, протестированных в режимах максимальных рассуждений.

Более значимы экономические изменения: по данным Artificial Analysis, обновленная модель обходится в 2,06 доллара за задачу Intelligence Index против 5,54 доллара у предварительной версии — снижение на 63%.

В оценке агентов для программирования ML4 занимает второе место среди актуальных моделей с открытыми весами, расходуя примерно вдвое меньше токенов, чем лидирующая конфигурация GLM-5.3. В анонсе запуска Mistral приводит ссылку на загружаемую модель на Hugging Face и объявляет о существенно сниженных тарифах на API.

Лицензия Mistral Ecosystem Open-Weight License четко обозначает коммерческие границы. Порога по выручке в ней нет. Вместо этого необходимость в отдельном коммерческом соглашении зависит от того, ведет ли пользователь или его аффилированное лицо бизнес по модели «модель как услуга», с рядом конкретных исключений.

По мнению Марджори Янев��ч, директора Mistral по доходам, коммерческие аргументы не сводятся к баллам. В личном интервью VentureBeat в начале этой недели она рассказала о клиентах, которым нужны модели, которыми они могут владеть, настраивать их под собственные данные и использовать, не завися полностью от продолжающегося разрешения поставщика.

«Я не хочу, чтобы меня отключили. Я хочу владеть своей моделью, — так Яневич описала запросы клиентов. — Во-вторых, я хочу настроить ее, чтобы получать от нее пользу. И в-третьих, это непрерывность бизнеса».

Независимые результаты уточняют это предложение: ML4 предлагает конкурентоспособного агента для программирования и повышенную эффективность наряду с контролем, который дают загружаемые веса. Вместе с тем они ограничивают заявления Mistral о лидерстве. Небольшое преимущество среди моделей с открытыми весами, разработанных за пределами Китая, не делает ее сильнейшей открытой моделью в мире, а ее результаты зависят от программного обеспечения и настроек, с которыми она запускается.

Что изменилось по сравнению с октябрьской предварительной версией

Когда VentureBeat писал об ML4 6 октября, Mistral предлагала предварительную версию через API и планировала опубликовать веса 27 октября. Веса появились 29 октября — после примерно трех дополнительных недель обучения с подкреплением и обратной связи от клиентов и партнеров по безопасности.

Базовая суть модели не изменилась: это очень большая система с разреженной активацией, которая принимает визуальную и текстовую информацию и генерирует текст. Artificial Analysis теперь указывает контекстное окно в 1 млн токенов, а в оценке релиза — 1,05 трлн параметров в общей сложности и 52 млрд активных параметров. С момента предварительной версии модель прошла дополнительное обучение и получила новые варианты развертывания, а не превратилась в отдельное семейство моделей.

Некоторые кажущиеся изменения характеристик тоже требуют пояснений. В нашей первоначальной статье говорилось о 49 млрд активных параметров; в новом релизе указано 52 млрд. В карточке на Hugging Face Mistral поясняет, что меньшая цифра описывает активность на токен, а большая также учитывает эмбеддинги и выходные слои. Само по себе это различие не означает, что Mistral увеличила модель за период предварительного доступа.

В последних материалах для обучения указано 3 800 графических процессоров Nvidia Grace Blackwell, а не около 4 000, как сообщалось изначально. Публичный запуск добавляет подробности о развертывании: Mistral Studio и ее API, OpenRouter, Vibe Code, Microsoft Foundry с возможностью частного развертывания в Azure, а также размещенные Nvidia эндпоинты и оптимизированный контейнер NIM. По словам Mistral, загруженные веса можно обслуживать с помощью vLLM или SGLang.

Три режима рассуждений добавляют еще один практический выбор: low заменяет прежний режим «None», medium предназначен для повседневных задач, а high используется по умолчанию для самых сложных запросов. Команда разработчиков может приберечь глубокие рассуждения для сложной отладки и использовать более низкий режим для рутинных запросов. Снизит ли это стоимость успешного выполнения работы, будет зависеть от задачи и от того, как часто более дешевую попытку придется исправлять.

Стоимость задач в бенчмарке упала на 63%, но более дешевые конкуренты остаются

Финальный релиз сочетает меньший расход токенов с тарифами API в 0,70 доллара за миллион входных токенов, 0,07 доллара за кэшированные входные данные и 2,10 доллара за выходные. Новая оценка Artificial Analysis подтверждает эти тарифы, которые примерно вдвое ниже прежних — 1,36, 0,14 и 4,18 доллара соответственно.

Теперь AA измеряет экономический результат для выпущенного чекпоинта, а не оставляет его прогнозом на основе цен за токены:

Источник: оценка Artificial Analysis от 29 октября; на текущей странице модели ML4 также указано 2,06 доллара. Эти цифры относятся к задачам Intelligence Index, а не Coding Agent Index.

Стоимость ML4 снизилась примерно на 63% по сравнению с предварительной версией, приблизившись к Muse Spark Open. Однако DeepSeek и MiMo показывают более высокие общие результаты Intelligence Index при существенно меньшей измеренной стоимости задач. Экономный расход выходных токенов у ML4 не означает самого низкого счета: на расходы влияют также тарифы на токены, объем входных данных и кэширование.

Эти затраты в бенчмарке не учитывают расходы на самостоятельное размещение, настройку, операционный контроль или проверку людьми. Предприятиям по-прежнему нужно сравнивать стоимость работы, выполненной на приемлемом уровне, в собственной среде.

Что разрешает лицензия — и когда Mistral требует отдельного соглашения

Финальная лицензия предоставляет широкие права на запуск, копирование, изменение, дообучение, распространение, сублицензирование и продажу модели и производных от нее при условии, что уведомления об авторских правах и разрешениях сопровождают копии или существенные части. Это модифицированная лицензия MIT с дополнительным коммерческим ограничением, поэтому называть ML4 просто моделью под лицензией MIT значило бы упустить существенное условие.

Раздел 2 требует получения отдельной коммерческой лицензии до коммерческого использования модели или производных от нее, если лицензиат или любое аффилированное лицо ведет бизнес по модели «модель как услуга».

Это определение охватывает предоставление третьим сторонам доступа для инференса или дообучения через API, размещенный эндпоинт или иным способом, когда эти пользователи в значительной мере контролируют входные данные, параметры или обучающие данные.

Два исключения сужают это определение: продукты для конечных пользователей, в которых возможности модели встроены исключительно в конкретные функции или обвязки, и сервисы, которые лишь передают запросы моделям, размещенным другими. Раздел 3 отдельно освобождает внутреннее использование, при котором модель или ее производные не предоставляются третьим сторонам, а также использование через официальные продукты Mistral.

Это означает, что предприятие, использующее ML4 внутри компании, не подпадает под требование раздела 2 о коммерческой лицензии, даже если оно само или аффилированное лицо ведет бизнес «модель как услуга».

Продукт для конечных пользователей, в котором возможности модели встроены исключительно в конкретные функции или обвязки, исключен из определения «модель как услуга»; однако его оператору все равно нужно проверить, не подпадает ли под раздел 2 какая-либо другая его деятельность или деятельность аффилированного лица.

Оператор, предлагающий клиентам размещенный инференс или дообучение с указанным уровнем контроля, обязан получить отдельную лицензию до коммерческого использования, с учетом оговоренных исключений.

Разграничение проводится по виду деятельности и доступа, а не по размеру компании: лицензия модели не устанавливает порога по выручке. Разрешение запускать загруженные веса также не делает бесплатными ни размещенные сервисы, ни инфраструктуру, необходимую для самостоятельного размещения.

Второе место среди агентов для программирования с открытыми весами при меньшем расходе токенов

Artificial Analysis теперь независимо сообщает о позиции ML4 в своем Coding Agent Index. В сравнении учитывается как модель, так и агентское ПО, управляющее ее вызовами инструментов и работой с кодом:

Источник: оценка Artificial Analysis от 29 октября и последующие публикации. Рейтинг относится к доступным в настоящее время моделям с открытыми весами.

ML4 отстает от GLM-5.3 на один балл и опережает DeepSeek на два. Ее 8,5 млн токенов на задачу — примерно на 47% меньше, чем 15,9 млн у GLM, что подтверждает сравнение эффективности в анонсе Mistral. Mistral считает результаты фактически равными; Artificial Analysis ставит ML4 на второе место. Сама по себе разница в один балл не свидетельствует о статистической значимости.

Это сравнения полных агентских конфигураций. Они не показывают, как работали бы базовые модели при идентичности всех остальных компонентов. У индекса программирования также свой набор тестов: FrontierCode v1.1, Terminal-Bench 4.0 и SWE-Atlas-QnA-AA. Он отличается от более широкого Intelligence Index, включающего FrontierCode 2.0 и дополнительные оценки интеллектуальной работы и рассуждений.

Это различие важно при анализе других заявлений Mistral о программировании:

Mistral сообщает, что ее результат в Terminal-Bench вырос с заявленных самой компанией 28% у предварительной версии до 41%, а расход выходных токенов снизился на 30%. Отдельная оценка AA в рамках Intelligence Index показывает в этом тесте 25%. Эти цифры получены в разных условиях оценки; имеющиеся материалы не позволяют определить точный вклад каждого различия в ПО или конфигурации. Не следует подменять 25% от AA заявленными вендором 41% или представлять любой из этих результатов как универсальную производительность ML4.

Разница в FrontierCode также меняет расстановку: на графике Mistral ее 19,7% опережают 19,3% у DeepSeek, тогда как AA дает ML4 15% — позади DeepSeek с 29% и GLM-5.3 с 22%. Таким образом, независимая оценка не подтверждает заявление Mistral о первом месте в FrontierCode за пределами собственного сравнения компании.

Mistral также приводит слепое исследование предпочтений Surge Code, в котором ML4 выигрывает 64% сравнений с GLM-5.3 и Kimi K3, 56% — с DeepSeek V4.1 Flash и 22% — с Claude Opus 5.5. Это другой тип данных — предпочтения людей в указанном сравнении, — а не замена бенчмаркам на выполнение задач.

Наша первоначальная статья была посвящена предварительному результату Mistral в DeepSWE — 62%. Последние материалы не обновляют этот показатель DeepSWE, а ни Terminal-Bench, ни сводный индекс программирования нельзя напрямую с ним сравнивать.

«Но это действительно для всех — от разработчиков-любителей до разработчиков на предприятиях», — сказала Яневич. По ее словам, организации также могут адаптировать ML4 к собственному ПО, поэтому производительность на внутренних задачах становится дополнительным фактором помимо публичных тестов.

Небольшое лидерство за пределами Китая и более заметный рост эффективности

26 баллов финальной модели в Intelligence Index дают корректное сравнение с 25 баллами предварительной версии по v5. Это скромный рост, а не свидетельство широкого скачка возможностей. Более существенными изменениями Artificial Analysis считает эффективность использования токенов и уменьшение галлюцинаций.

Географическое разграничение тоже требует контекста. Преимущество ML4 в один балл над Muse Spark Open делает ее моделью с открытыми весами с наивысшим результатом среди разработанных за пределами Китая в оценке AA. В мировом масштабе семь моделей с открытыми весами набирают больше. Эту группу возглавляют DeepSeek V4.1 Flash 1017 и GLM-5.3 с 32 баллами, а MiMo-V2.6-Pro набирает 30. Среди всех моделей в текущем рейтинге Gemini 4 Carbon имеет 59 баллов, Claude Opus 5.5 — 58, а GPT-6 Astra — 57 в указанных конфигурациях с высокими усилиями.

По данным AA, основные источники отставания ML4 от лидеров с открытыми весами — программирование и агентская интеллектуальная работа. Помимо более низкого результата в FrontierCode, ML4 набирает 1 349 Elo в AA-Briefcase против 1 570 у DeepSeek и 1 504 у GLM. Однако в сравнении с Muse Spark Open AA выделяет Terminal-Bench как крупнейшее преимущество ML4: 25% против 8% в оценке Intelligence Index.

Эффективность выросла заметнее. По данным AA, финальная модель расходует в среднем 82 000 выходных токенов на задачу Intelligence Index против 135 000 у предварительной версии — снижение на 39%. Семь моделей с открытыми весами, опережающих ML4, расходуют от 113 000 до 225 000 выходных токенов на задачу. Это дает ML4 удачный баланс возможностей и расхода выходных токенов, но не доказывает, что она самый дешевый вариант.

Эти средние показатели только по выходным токенам не связаны с 8,5 млн токенов на задачу в индексе программирования, куда входят входные и кэшированные токены, а также выходные. Кроме того, две оценки используют разные наборы задач. Их объединение дало бы вводящее в заблуждение сравнение эффективности.

Есть еще одно историческое различие. Artificial Analysis поставила предварительной версии 38 баллов при ее октябрьском дебюте — до того, как Intelligence Index v5 ввел более сложные оценки и увеличил долю закрытых тестов или тестов со скрытыми ответами до 60%. Прежние 38 и нынешние 26 относятся к разным шкалам; корректное сравнение по v5 — 25 и 26.

Меньше галлюцинаций, но фактическая точность остается ограниченной

В AA-Omniscience v1.1 Artificial Analysis фиксирует у выпущенной ML4 уровень галлюцинаций 28% против 41% у предварительной версии — столько же, сколько у Muse Spark Open. Это снижение на 13 процентных пунктов в данном тесте.

Ее показатель точности по-прежнему составляет 26% против 27% у Ling 3.1 Flash 1019, 40% у DeepSeek V4.1 Flash 1017 и 42% у Muse Spark Open. Таким образом, равный с Muse уровень галлюцинаций не означает равной фактической точности.

AA-Omniscience оценивает фактические знания и то, как модели справляются с неопределенностью. Для корпоративных покупателей это различие важно: системой, которая дает меньше необоснованных ответов, может быть проще управлять, но она все равно должна правильно отвечать на достаточную долю релевантных вопросов. Бенчмарк не устанавливает точность ML4 на закрытых данных компании или ее надежность во всех производственных процессах.

Доступ к кибербезопасности — ключевой элемент предложения

Artificial Analysis подтверждает, что ML4 в режиме высоких рассуждений набирает 51 балл в Cyber Index, занимая третье место среди актуальных моделей с открытыми весами. Лидирует DeepSeek V4.1 Flash 1017 в режиме max с 57 баллами, за ней следует MiMo-V2.6-Pro с 56.

Результаты по компонентам показывают, почему рейтинг сложнее единого показателя безопасности:

Источник: дополнение Artificial Analysis к оценке от 29 октября.

ML4 опережает DeepSeek и сравнивается с MiMo в CyberGym, но уступает обеим по двум другим компонентам. Таким образом, результат в 79% с прежнего слайда Mistral подтверждается текущей оценкой AA в CyberGym; это не показатель по всему Cyber Index. Новая детализация дает командам безопасности более полезную основу для выбора тестов, релевантных их работе, чем заявление о безоговорочном лидерстве в кибербезопасности.

Mistral также сообщает о среднем уровне отказов в 96,6% на вредоносные киберзапросы из JailbreakBench, StrongREJECT и AgentHarm. Это измерения, предоставленные компанией, на указанных тестах. В том же блоге признается, что модель потенциально может помогать в реальных атаках, и говорится, что Mistral дорабатывает защитные механизмы.

Помимо публикации открытых весов, Mistral сообщает, что корпоративные партнеры по разработке, такие как Orange Cyberdefense, получают предварительный доступ к специализированному варианту для продвинутых задач безопасности. Такой доступ требует проверки и договорных гарантий, а тестирование ограничено собственными или явно авторизованными системами в контролируемых средах.

По словам Яневич, клиенты все чаще запрашивают защитные возможности, учитывая угрозы со стороны других моделей и агентов. Ее аргумент в пользу публикации весов состоит в том, что организации должны иметь возможность самостоятельно формировать механизмы контроля вокруг этих возможностей.

«Мы считаем, что лучший способ для клиентов защитить себя — иметь доступ к этим моделям и возможность самостоятельно устанавливать и настраивать часть защитных механизмов», — сказала она.

Это отвечает на вопрос о том, кто устанавливает механизмы контроля, но не доказывает, что открыто распространяемую модель нельзя перепрофилировать для атак. В интервью Яневич не представила доказательств того, что последующие пользователи не смогут удалить или изменить защитные механизмы. Компромисс в том, что больший контроль для легитимных операторов означает меньший контроль исходного поставщика над последующими развертываниями.

Для корпоративной команды безопасности потенциальное преимущество — непрерывность: локально работающая модель может оставаться доступной во время инцидента, не требуя одобрения каждого запроса удаленным сервисом. Соответствующая ответственность — тестировать ее поведение и ограничивать ее доступ к производственным системам. Сама по себе загрузка весов не доказывает, что запуск автономного агента безопасности безопасен.

Больше корпоративных бенчмарков — с разными точками отсчета

Публичный блог добавляет измерения помимо результатов в программировании и кибербезопасности из прежних материалов:

В первоначальной статье VentureBeat ранний результат Finch был округлен до 67%; опубликованный релиз теперь приводит более точную точку отсчета и обновленный показатель. Это рост в бенчмарках, а не измерение выручки или производительности клиентов. Результат B3 также измеряет устойчивость к протестированным атакам; он не доказывает, что любой развернутый агент будет безопасен без дополнительных механизмов контроля.

Настройка — это и есть бизнес, но измеримые результаты требуют времени

Яневич неоднократно возвращалась к отраслям, где полезность модели определяется закрытой информацией и специализированными процессами. Она упомянула производство и финансовые услуги, приведя в пример работу BMW по краш-тестам и процессы проверки клиентов HSBC как иллюстрацию более широких корпоративных задач, на которые нацелена Mistral. Эти примеры не следует принимать за опубликованные результаты производственных внедрений недавно выпущенной ML4.

«Модели, которые мы создаем, разработаны специально для отраслей, которые мы обслуживаем», — сказала она.

Она описала два пути настройки: технически подготовленные организации могут использовать Mistral Forge самостоятельно, а другие — работать с инженерами по внедрению и прикладными исследователями Mistral. В обоих случаях коммерческое предложение включает работу по адаптации модели к операциям клиента.

Это различие помогает объяснить стратегию.

Например, производителю может быть менее важно, какая система отвечает на самый широкий круг вопросов, чем то, насколько надежно она интерпретирует инженерную документацию компании, соблюдает ограничения доступа и работает в одобренной вычислительной среде. Банк может отдавать приоритет единообразной обработке собственных клиентских записей и процедур проверки. Это потенциальные применения подхода, а не измеренные результаты, подтвержденные релизом.

По словам Яневич, у некоторых существующих клиентов снижаются расходы. «Многие наши клиенты, особенно за последние полгода, действительно начинают видеть, как уменьшаются их счета», — сказала она.

Но на конкретный вопрос о бизнес-результатах, которые можно отнести на счет ML4, она ответила, что системы с новой моделью еще только создаются и значимые операционные измерения займут больше времени.

Опубликованный блог включает качественные отзывы организаций, в том числе Belfius, ABN AMRO, ASML и Европейского космического агентства, а также партнеров по безопасности.

Эти заявления описывают интерес, тестирование и возможности внедрения; они не содержат количественных бизнес-результатов именно по ML4, на основании которых можно было бы рассчитать окупаемость инвестиций во внедрение.

Для Mistral новые данные подкрепляют конкретное предложение: загружаемые веса, конкурентоспособная конфигурация агента для программирования и модель, существенно более дешевая, чем ее собственная предварительная версия. Перевешивает ли это сочетание более дешевые альтернативы с более высокими результатами, зависит от рабочих нагрузок организации, требований к развертыванию и причин, по которым ей нужен контроль над моделью.