Mistral Large 4: мультимодельная архитектура и производительность в кибербезопасности
Новая модель Mistral Large 4 объединяет инструкции, рассуждение и агентные возможности. Она превосходит закрытые модели в визуальном заземлении и показывает высокие результаты в анализе уязвимостей, оставаясь при этом полностью открытой для развертывания.
Mistral AI представила Mistral Large 4 (ML4) — 1-триллионную мультимодельную модель с 49 миллиардами активных параметров. Модель обучена на инфраструктуре NVIDIA Grace Blackwell в Европе и демонстрирует лидерские позиции в задачах кибербезопасности и агентного кодинга среди моделей с открытым весом.
Главные тезисы
- 1 триллион параметров, 49 миллиардов активных
- Обучено на 3800 GPU NVIDIA Grace Blackwell
- 82% на тесте воспроизведения уязвимостей
- Превосходит закрытые модели в визуальном заземлении
- Поддержка 160+ языков
Архитектура и обучение
Mistral Large 4 (ML4) — это гибридная модель с инструкциями и рассуждением (MoE), имеющая 1 триллион параметров и 49 миллиардов активных параметров. Модель обучена с нуля на 3800 GPU NVIDIA Grace Blackwell в дата-центрах Mistral в Европе. Публичная превью-версия API также работает на этой инфраструктуре.
Модель поддерживает более 160 языков, включая все официальные языки Европейского союза. Веса будут опубликованы до конца месяца. До этого момента проводится red-teaming с участием лидеров в области кибербезопасности, проверенных партнеров и государственных органов.
Кибербезопасность и автономия
ML4 позиционируется как одна из сильнейших моделей для кибербезопасности. В индексе Artificial Analysis Cyber Index она входит в топ-5 мировых моделей и лидирует среди моделей с открытым весом, разработанных вне Китая. На тесте, требующем воспроизведения реальной уязвимости в ПО с открытым исходным кодом и ее исправления, ML4 набрала 82% — лучший результат среди всех моделей.
В отличие от многих закрытых моделей (включая Claude Opus 5.5 и GPT-6 Astra), которые отказываются выполнять подобные задачи из-за фильтров безопасности, ML4 способна проводить анализ вредоносного ПО, приоритизацию уязвимостей и написание правил обнаружения. Это критически важно для организаций, нуждающихся в суверенном и аудируемом ИИ для операций безопасности, так как модель может работать на частных облаках или on-premise без риска блокировки легитимных исследований.
На наборе задач Cybench (40 упражнений из соревнований по безопасности) модель решила 93% задач.
Агентный кодинг и работа с данными
В задачах программного обеспечения и понимания репозиториев ML4 демонстрирует высокие результаты:
- DeepSWE v1.1: 61.7%
- SWE-Atlas-QnA: 59.4%
- Terminal-Bench 4: 28.3%
Суммарный индекс Coding Agent Index составляет 49.8%, что выше показателей DeepSeek V4 Pro 0813 и Qwen3.8 Max. В слепом тестировании качества кода (Surge AI) ML4 Preview заняла второе место из пяти, уступив только Claude Opus 5.
В задачах автоматизации бизнес-процессов (AutomationBench) модель набрала 59.9%, опередив Kimi K3 и MiMo-V2.6-Pro. Для работы с профессиональными документами (таблицы, презентации, PDF) на бенчмарке AA-Briefcase (оценка долгосрочной работы с знаниями) результат составил 1,393 Elo.
Визуальное заземление и наука
ML4 значительно улучшила способность к пониманию изображений. В задаче визуального заземления Dense 200 модель показала результат 42% против 41% у GPT-6-Astra. Она способна анализировать гигапиксельные спутниковые снимки для команд реагирования на катастрофы и проверять инженерные чертежи.
В научных задачах ML4 является state-of-the-art среди моделей с открытым весом на бенчмарке SciCode-Verified. Модель может генерировать полную симуляцию Хартри-Фока за один шаг. В внутренних оценках по математике и физике она превосходит GLM-5.3 по точности рассуждений.
Безопасность и обучение с подкреплением
Модель устойчива к косвенным инъекциям промптов: на публичном бенчмарке Lakera она сопротивляется 93.3% атак. Индекс безопасности (Safety Index) составляет 1.691 из 2.0. При этом средняя частота отказов на кибер-промптах остается сбалансированной, что позволяет использовать модель для исследований без излишних блокировок.
Постобучение включает масштабное обучение с подкреплением (RL). На текущей инфраструктуре (3k GPU) один запуск обучения генерирует около 16 миллиардов обучаемых токенов завершения. Это позволяет модели адаптироваться к усложняющимся задачам и минимизировать off-policy drift.
Дорожная карта
Развитие ML4 поддерживается раундом Series D в размере €3 млрд — крупнейшим раундом для европейской технологической компании. Mistral масштабирует вычислительные мощности в собственных европейских дата-центрах. Модель станет базой для нового поколения специализированных моделей Mistral для финансов, права и инженерии.
