Mistral Large 4: Европа выпускает открытую модель на 1 трлн параметров

6 октября 2026 года Mistral AI открыла публичное превью Mistral Large 4 — мультимодальной MoE-модели на 1 трлн параметров, из которых на каждый токен работает 49 млрд. Модель уже доступна по API в Mistral Studio, а открытые веса компания обещает выложить до конца октября. Для команд это шанс получить модель фронтир-класса, которую можно развернуть в своём контуре.

Анонс важен не цифрой параметров, а сочетанием: крупнейшая европейская модель обучена с нуля на собственной инфраструктуре Mistral и станет open-weight. Если вы строите продукт на LLM и думаете о self-hosted сценарии или о снижении зависимости от одного вендора, ML4 стоит включить в план тестов вместе с китайскими open-weight моделями. С выбором стека и пилотом помогают наши специалисты по разработке решений на ИИ и ML.

Ниже — что известно о модели, какие бенчмарки опубликованы и как подготовиться к выходу весов, не принимая маркетинговые цифры на веру.

Что представила Mistral 6 октября

Mistral Large 4 (внутреннее сокращение ML4, неофициальное прозвище «le Chonk») — это гранулярная Mixture of Experts: из 1 трлн параметров на каждом шаге активируется лишь 49 млрд. Такая схема снижает стоимость инференса по сравнению с плотной моделью того же размера. Модель нативно мультимодальна: принимает текст и изображения, отвечает текстом и, по данным компании, поддерживает более 160 языков, включая все официальные языки ЕС.

ML4 объединяет в одной модели режимы инструкций, рассуждений и агентной работы. Mistral позиционирует её как лучшую среди open-weight моделей в задачах кибербезопасности, финансов и промышленности. По словам компании, для обучения с подкреплением собран стек, который параллельно запускает десятки тысяч агентных прогонов с песочницами для кода, веб-поиском и инструментами валидации результата.

Ключевые характеристики Mistral Large 4

• Архитектура: MoE, 1 трлн параметров всего, 49 млрд активных.
• Модальности: вход — текст и изображения, выход — текст.
• Обучение: с нуля на 3 800 GPU NVIDIA Grace Blackwell в собственных дата-центрах Mistral в Европе; The Next Web оценивает срок обучения примерно в два месяца.
• Цена API в превью: $1,36 за 1 млн входных и $4,18 за 1 млн выходных токенов.
• Доступ: публичное превью в Mistral Studio; европейское развёртывание Mistral обслуживает самостоятельно, мультирегиональная доступность заявлена позже.
• Веса: до конца октября 2026 года, по данным The Next Web — 27 октября. Лицензия в анонсе не указана.

Как ML4 выглядит на бенчмарках

Mistral опубликовала результаты на собственных и сторонних наборах: 61,7% на DeepSWE v1.1, 28,3% на Terminal-Bench 4.0, 59,9% на AutomationBench и 93,3% устойчивости к атакам на B3 AI Security. В индексе AA Cyber Index модель вошла в первую пятёрку, а в задаче исправления уязвимостей в open-source проектах показала 82%. На визуальном бенчмарке Dense 200 ML4 набрала 42% против 41% у GPT-6 Astra.

The Next Web сопоставил цифры с китайскими конкурентами: на DeepSWE у ML4 62% против 61% у GLM-5.3 и 57% у DeepSeek-V4-Pro, на юридическом Harvey Legal — 15% против 13% у Kimi K3. SiliconANGLE отмечает, что в программировании модель уступает закрытым фронтир-моделям, но опережает Qwen 3.8 Max и DeepSeek V4 Pro. Отрыв от лучших открытых моделей, таких как Kimi K3 и Qwen 3.8 Max, на большинстве тестов измеряется единицами процентов — это паритет, а не прорыв.

Почему open-weight от Mistral важен командам разработки

До сих пор верхний сегмент открытых моделей почти полностью занимали китайские лаборатории. ML4 даёт альтернативу с европейским происхождением, обученную на собственных мощностях компании. Для заказчиков из регулируемых отраслей — финансов, медицины, госсектора — происхождение модели и возможность запустить её в изолированном контуре часто важнее пары пунктов на бенчмарке. CEO Mistral Артур Менш прямо назвал запуск ответом на тезис, что Европа не может конкурировать в ИИ.

Практический плюс self-hosted развёртывания — данные не покидают ваш периметр, что упрощает соблюдение требований к локализации и обработке персональных данных. Минус — железо: даже при 49 млрд активных параметров в памяти нужно держать всю модель, а триллион весов даже в 8-битной точности — это порядка терабайта. Для большинства команд реалистичный путь — API на этапе пилота и квантованные сборки или облачные GPU-кластеры на этапе продакшена.

Что делать до выхода весов

1. Соберите свой eval-набор. 50–200 реальных задач вашего продукта с эталонными ответами скажут больше, чем DeepSWE и AutomationBench.
2. Прогоните ML4 через API в превью рядом с текущей моделью и открытыми альтернативами — по качеству, задержке и стоимости.
3. Посчитайте экономику. Сравните цену API с затратами на собственный кластер; для оценки пригодится калькулятор стоимости LLM.
4. Дождитесь лицензии. Пока условия использования весов не опубликованы, не закладывайте self-hosted ML4 в коммерческие обязательства.
5. Держите абстракцию над провайдером. Единый слой вызова моделей позволит переключиться на ML4 без переписывания продукта.

Часто задаваемые вопросы

Mistral Large 4 уже open-source? Пока нет. 6 октября открыт только доступ по API в превью; веса компания обещает опубликовать до конца октября 2026 года, условия лицензии ещё не раскрыты.

Сколько стоит Mistral Large 4 по API? В превью — $1,36 за 1 млн входных токенов и $4,18 за 1 млн выходных.

Чем ML4 отличается от плотной модели на 1 трлн параметров? Архитектура MoE активирует на каждый токен только 49 млрд параметров, поэтому инференс дешевле и быстрее, но хранить в памяти всё равно нужно всю модель.

Лучше ли ML4 китайских открытых моделей? По опубликованным бенчмаркам — на уровне или немного выше GLM-5.3, DeepSeek V4 Pro и Kimi K3 в ряде задач. Независимой проверки на ваших данных это не заменяет.

Источники

Mistral AI — Introducing Mistral Large 4, 6 октября 2026 года (первоисточник).

SiliconANGLE — Mistral launches open-source Mistral Large 4, details AI roadmap, 6 октября 2026 года.

The Next Web — Europe's Mistral launches Large 4 to challenge China's lead in open AI models, октябрь 2026 года.