Mistral Large 4 z otwartymi wagami: bilion parametrów i przydomek „Le Chonk”
Mistral AI udostępniło otwarte wagi swojego flagowego modelu Mistral Large 4, liczącego bilion parametrów, po trzech tygodniach dodatkowego treningu i testów klientów.
Ten news ukazał się 36 min po komunikacie źródła.
👁 118 przeczytań
Trzy tygodnie. Tyle czasu Mistral AI potrzebował po premierze podglądu Mistral Large 4, żeby przeprowadzić kolejną rundę treningu przez wzmacnianie, zebrać feedback od klientów i wypuścić model jako otwarty - z pełnymi wagami dostępnymi dla każdego, kto chce uruchomić go na własnym sprzęcie. 29 października 2026 roku europejska firma ogłosiła, że Mistral Large 4, wewnętrznie zwany „Le Chonk”, jest teraz gotowy do pobrania, wdrożenia i uruchomienia za własną zaporą ogniową.
Zobacz wpis na X
Liczba, od której trudno przejść obojętnie: bilion parametrów. To łączna skala modelu. Aktywnych w danym momencie jest 52 miliardy - ML4 wykorzystuje architekturę mixture-of-experts, która pozwala mu zachowywać ogromną pojemność wiedzy, uruchamiając jednocześnie tylko jej część przy każdym zapytaniu. Efekt jest taki, że model działa szybko i kosztuje mniej w przeliczeniu na token, a jednocześnie dorównuje znacznie cięższym systemom w kluczowych testach.
Trening w europejskich centrach danych
Za wynikami stoi konkretna infrastruktura. Mistral trenował ML4 na 3800 układach Nvidia Grace Blackwell umieszczonych we własnych europejskich centrach danych. To nie jest detal bez znaczenia - pełna kontrola nad sprzętem pozwoliła zespołowi optymalizować model pod konkretne karty graficzne już w trakcie procesu treningu, a nie po fakcie. Pierre Stock, wiceprezes ds. nauki, opisał to wprost:
„ML4 OSS pokazuje zdolność naszego zespołu naukowego do innowacji w szybkim tempie. Bazując na ML4 Preview, wersja open-weight kontynuuje trening przez wzmacnianie i przynosi znaczące przyrosty bez oznak nasycenia.”
Brak nasycenia to ważny sygnał. Oznacza, że model nie dobił jeszcze do żadnej ściany - dalszy trening wciąż przynosi mierzalne efekty. To częściowo tłumaczy, dlaczego Mistral zdecydował się na trzy dodatkowe tygodnie pracy po premierze podglądu, zanim udostępnił wagi publicznie.
Starcie z chińskimi gigantami
Najciekawszy kontekst dla ML4 to nie rywalizacja z OpenAI ani Anthropic, lecz z modelami kodowania z Chin. Na Artificial Analysis Coding Agent Index ML4 rywalizuje z GLM-5.3 - modelem pekińskiego Zhipu AI - zużywając przy tym średnio 47% mniej tokenów na zadanie. To oznacza realnie niższe koszty dla firm wdrażających model w produkcji przy porównywalnej jakości kodu.
Na Terminal-Bench 4.0, benchmarku testującym agentyczne kodowanie bezpośrednio w terminalu, ML4 poprawił wynik z 28% do 41%, remisując z GLM-5.3 jako najlepszym modelem dla agentów kodowania. Dla porównania: różnica między wersją preview a finalną open-weight to dokładnie te 13 punktów procentowych - wyłącznie efekt tych trzech tygodni dodatkowego treningu i testów.
dane: Mistral AI / SiliconANGLE
Rynek chińskich modeli kodowania jest dziś gęsty. Oprócz rodziny GLM od Zhipu pojawia się też rodzina Kimi od pekińskiego Moonshot AI. Mistral pozycjonuje ML4 jako zachodnią alternatywę - model rozwijany w Europie, trenowany na europejskim sprzęcie, dostępny jako open-weight, który firmy mogą wdrożyć lokalnie bez wysyłania danych do żadnej zewnętrznej chmury. To argument suwerenności cyfrowej, który dla wielu europejskich korporacji i instytucji publicznych ma rosnące znaczenie.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Otwartość jako strategia
Nie przepłacaj za te subskrypcje
Prowadzę sklep z rocznymi dostępami do narzędzi AI - te same konta, o których piszę wyżej, tylko taniej niż w cenniku producenta.
Udostępnienie wag nie jest tylko gestem wobec społeczności open-source. To świadomy wybór biznesowy, który Arthur Mensch, współzałożyciel i CEO Mistralu, wyraził bez ogródek:
„Open source jest niezbędny, żeby zaawansowana AI nie skończyła skoncentrowana w rękach kilku podmiotów. Inne laboratoria zebrały setki miliardów, żeby rozwinąć porównywalne możliwości; w trzy lata Mistral zebrał około 6 miliardów dolarów.”
Sześć miliardów wobec setek miliardów - Mensch nie kryje, że to zestawienie ma robić wrażenie. I robi. Pokazuje, że skala nakładów finansowych przestała być jedynym wyznacznikiem jakości modelu, a europejska firma jest w stanie konkurować z podmiotami o wielokrotnie wyższym budżecie, zachowując przy tym otwartość, która daje klientom coś, czego zamknięte API nie oferują: pełną kontrolę nad danymi i infrastrukturą.
Firmy wdrażające ML4 na własnym sprzęcie mogą przetwarzać wrażliwe dane bez ryzyka wycieku do zewnętrznych dostawców chmury. Dla sektorów takich jak finanse, zdrowie czy obronność to nie jest luksus - to warunek konieczny wdrożenia.
Model oferuje też trzy tryby rozumowania: niski, średni i wysoki. Użytkownicy mogą dopasować głębokość myślenia modelu do konkretnego zadania bez ręcznego modyfikowania promptów - od szybkich, codziennych zapytań po złożone problemy wymagające wielokrokowej analizy. To bezpośrednie przełożenie na kontrolę kosztów: mniej tokenów na proste zadania, więcej tam, gdzie rzeczywiście potrzeba.
ML4 jest natywnie multimodalny i według Mistralu reprezentuje nową generację modeli firmy obejmującą wszystkie modalności. Kilka tygodni wcześniej Mistral wypuścił Voxtral 3 - rodzinę modeli i agentów głosowych. Firma zapowiada kolejne modele z tej samej rodziny w ciągu najbliższych miesięcy, nie podając konkretnych dat.
Bilion parametrów, 6 miliardów dolarów i przydomek „Le Chonk” - europejska odpowiedź na koncentrację AI w rękach kilku podmiotów ma teraz twarde wagi do pobrania.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Podobne tematy na Promptowym
