Mistral Large 4 «Le Chonk»: открытые веса, сравнение с GLM и требования к запуску
Французская Mistral AI опубликовала открытые веса Mistral Large 4 — модели, которую внутри компании называют «Le Chonk», то есть «Толстяк». Такое прозвище связано с общим объёмом модели: в ней около триллиона параметров. При этом используется архитектура Mixture of Experts, поэтому для обработки каждого токена активируется лишь часть вычислительных ресурсов.
Модель вышла из стадии публичного превью и получила дополнительные улучшения в программировании, агентных сценариях и информационной безопасности. Веса доступны без предварительного запроса доступа в репозитории Mistral на Hugging Face. Одновременно компания представила квантованную сборку NVFP4 для видеокарт NVIDIA поколения Blackwell.
Что изменилось после превью
Первый вариант Mistral Large 4 показали 6 октября и распространяли только через API. За следующие три недели разработчики дообучили модель с подкреплением и протестировали её у клиентов. По словам вице-президента Mistral по науке Пьера Стока, обучение с подкреплением проходило на собственных французских мощностях, потреблявших около 10 МВт.
Базовое обучение заняло примерно два месяца и проходило на 3 800 ускорителях NVIDIA Grace Blackwell в европейских дата-центрах. На Terminal-Bench 4.0 результат вырос с 28% до 41%, а количество выходных токенов сократилось на 30%. В тесте BrowseComp модель набрала 84,5% против 75% у версии, дообученной методом SFT.
В финальном релизе появились режимы рассуждения low и medium — ранее был доступен только high. Такой выбор позволяет не тратить ресурсы на длительное «обдумывание» простых задач. Архитектура включает 128 маршрутизируемых экспертов: четыре из них активируются для каждого токена, а ещё один является общим. Число активных параметров составляет около 49 млрд, а с учётом эмбеддингов и выходного слоя — примерно 52 млрд.
Модель поддерживает контекст до 1 млн токенов и принимает не только текст, но и изображения через энкодер, выполненный по принципу, близкому к Pixtral. Это делает Large 4 пригодной для задач, где агенту приходится работать с большими документами, интерфейсами и мультимодальными данными.
Сравнение с GLM и акцент на безопасность
По опубликованным Mistral данным, в задачах программирования разрыв с GLM составляет около одного процентного пункта. Существеннее выглядит разница в расходе токенов: Large 4 использует на 47% меньше токенов на задачу, чем GLM-5.3, уступая ему лишь немного в точности ответа. Для самостоятельного развёртывания это имеет прямое экономическое значение: сокращение длины вывода высвобождает время GPU для других запросов.
Отдельно Mistral выделяет защищённость модели. По результатам заявленных компанией тестов, Large 4 отклоняет 96,6% вредоносных запросов и выдерживает 97% атак в бенчмарке B3 Agent Security. При этом все приведённые показатели в основном основаны на собственных замерах Mistral, поэтому их стоит рассматривать с учётом возможных отличий методик тестирования.
Требования к запуску и ограничения лицензии
Несмотря на открытые веса, модель нельзя назвать доступной для запуска на обычном компьютере. В версии FP8 ей требуется около 1 ТБ дискового пространства. Квантованная сборка NVFP4 занимает примерно 610 ГБ, но рассчитана на GPU поколения Blackwell. Само наличие триллиона параметров не означает, что все они задействуются одновременно, однако объём памяти всё равно остаётся серьёзным ограничением для self-hosting.
Веса распространяются по Mistral Ecosystem Open-Weight License — модифицированной версии MIT. Она разрешает использовать и дообучать модель, в том числе в коммерческих проектах. Однако предоставление доступа к ней в формате Model-as-a-Service требует отдельной коммерческой лицензии от Mistral.
Релиз Large 4 стал попыткой европейской компании конкурировать с американскими и китайскими разработчиками фундаментальных моделей в агентном программировании и безопасности. Mistral предлагает более экономичную по токенам систему, но её практическое преимущество ограничивается высокой стоимостью инфраструктуры и лицензионными условиями.
На этом фоне примечательна позиция Сэма Альтмана: глава OpenAI назвал локальные модели неэффективным использованием дефицитных ресурсов и заявил, что вычислительное оборудование должно работать в дата-центрах, а не простаивать на пользовательских компьютерах. Mistral Large 4 показывает обратную сторону этого спора: открытые веса дают разработчикам контроль над моделью, но для полноценного развёртывания всё равно требуются значительные аппаратные ресурсы.
