شرکت فرانسوی Mistral روز ۶ اکتبر ۲۰۲۶ (۱۴ مهر ۱۴۰۵) نسخه‌ی پیش‌نمایشِ «Mistral Large 4» را معرفی کرد؛ مدلی با یک تریلیون پارامتر که ورودیِ تصویر را هم می‌فهمد. نسخه‌ی پیش‌نمایش همین حالا از راه API در دسترس است و وزن‌های مدل (مدلِ متن‌باز) تا پایانِ ماهِ اکتبر منتشر می‌شود.
Mistral Large 4 چیست؟
Mistral Large 4 که میسترال خودش با شوخی «le Chonk» صدایش می‌کند، بزرگ‌ترین و تواناترین مدلِ این شرکت است. ساختارش «ترکیبِ متخصص‌ها» (MoE) است؛ یعنی از یک تریلیون پارامترِ کل، در هر پاسخ فقط حدود ۴۹ میلیارد پارامتر کار می‌کند. به همین دلیل با وجود بزرگیِ زیاد، هزینه و سرعتش قابل‌مدیریت می‌ماند.
طبقِ گفته‌ی خودِ شرکت، این مدل از صفر روی حدود ۳٬۸۰۰ پردازنده‌ی گرافیکیِ NVIDIA Grace Blackwell در مراکزِ داده‌ی خودِ میسترال در اروپا آموزش دیده است. بخشِ بزرگی از داده‌های آموزشش چندزبانه بوده و بیش از ۱۶۰ زبان را پوشش می‌دهد.
چه کارهایی را خوب انجام می‌دهد؟
- برنامه‌نویسی و کارِ عاملی: میسترال امتیازِ ۶۱٫۷٪ در آزمونِ DeepSWE و ۲۸٫۳٪ در Terminal-Bench 4 را گزارش کرده است.
- امنیتِ سایبری: در شاخصِ سایبریِ Artificial Analysis جزو پنج مدلِ برترِ جهان و بالاتر از همه‌ی مدل‌های متن‌بازِ غیرچینی است.
- درکِ تصویر: نمودار، سند و عکس را می‌فهمد و در تشخیصِ جای اشیا در تصویر نتیجه‌ای نزدیک به مدل‌های بسته گرفته است.
- کارهای حرفه‌ای: ساخت و ویرایشِ صفحه‌گسترده و سند، تحلیلِ مالی و حقوقی.
این اعداد را خودِ میسترال اعلام کرده و بخشی از آن‌ها از ارزیابیِ شرکت‌های مستقل آمده است؛ پس بهتر است تا آزمایشِ مستقلِ بعد از انتشارِ وزن‌ها، با کمی احتیاط به آن‌ها نگاه کنید. سایتِ AI Weekly هم امتیازِ ۳۸ را برای این پیش‌نمایش در شاخصِ هوشِ Artificial Analysis گزارش کرده و آن را بهترین نتیجه‌ی مدل‌های متن‌بازِ غربی، اما هنوز پشتِ سرِ مدل‌های متن‌بازِ برترِ چینی دانسته است.
قیمت و دسترسی
| مورد | مقدار |
|---|---|
| هزینه‌ی ورودی | ۱٫۳۶ دلار به ازای هر یک میلیون توکن |
| هزینه‌ی خروجی | ۴٫۱۸ دلار به ازای هر یک میلیون توکن |
| دسترسی | پیش‌نمایشِ API در Mistral Studio |
| وزنِ متن‌باز | تا پایانِ اکتبر ۲۰۲۶ (اواخرِ مهر ۱۴۰۵) |
این خبر برای کاربرِ فارسی‌زبان یعنی چه؟
برای کاربرِ معمولی، اتفاقِ مهم این است که مدل‌های متن‌بازِ قوی دارند به مدل‌های بسته نزدیک می‌شوند. وقتی وزن‌های Large 4 منتشر شود، شرکت‌ها و توسعه‌دهنده‌ها می‌توانند آن را روی سرورِ خودشان اجرا کنند و داده‌هایشان بیرون نرود؛ این برای کسب‌وکارهایی که به حریمِ خصوصی حساس‌اند مهم است. میسترال تأکید کرده که داده‌ی آموزشیِ چندزبانه دارد، ولی کیفیتِ دقیقِ آن در زبانِ فارسی هنوز در هیچ گزارشِ رسمی جداگانه سنجیده نشده است.
تا آن زمان، اگر می‌خواهید مدل‌های برترِ روز را در زبانِ فارسی امتحان کنید، می‌توانید در هوش‌نو با GPT، Claude، Gemini، DeepSeek و Qwen گفت‌وگو کنید و پاسخ‌ها را کنارِ هم بسنجید؛ فهرستِ ابزارها در ابزارهای هوش‌نو آمده است. برای دیدنِ یک نمونه‌ی دیگر از خبرهای همین هفته، Claude Sonnet 5.5 منتشر شد را بخوانید و برای انتخابِ مدل هم مقایسه‌ی Claude با ChatGPT و Gemini کمک می‌کند.
جمع‌بندی
Mistral Large 4 نشان می‌دهد که رقابتِ مدل‌های بزرگ فقط میانِ آمریکا و چین نیست و اروپا هم با زیرساختِ خودش وارد شده است. نکته‌ی مهم‌تر، قولِ انتشارِ وزن‌هاست؛ اگر تا پایانِ ماه عملی شود، برنامه‌نویس‌ها و شرکت‌ها می‌توانند بدونِ وابستگی به یک سرویس، مدل را خودشان اجرا و شخصی‌سازی کنند. تا آن روز باید صبر کرد و نتیجه‌ی آزمون‌های مستقل را دید.
سؤالات متداول
آیا Mistral Large 4 رایگان و متن‌باز است؟
وزن‌های مدل قرار است تا پایانِ اکتبر منتشر شود، ولی نسخه‌ی پیش‌نمایش فعلی از راه API و با پرداختِ هزینه در دسترس است.
یک تریلیون پارامتر یعنی چه؟
پارامترها «وزن‌های» یادگرفته‌شده‌ی مدل‌اند. در ساختارِ ترکیبِ متخصص‌ها فقط بخشی از آن‌ها (اینجا حدود ۴۹ میلیارد) برای هر پاسخ فعال می‌شود.
آیا Large 4 فارسی می‌فهمد؟
میسترال می‌گوید داده‌های آموزشیِ چندزبانه و بیش از ۱۶۰ زبان دارد، اما سنجشِ رسمی برای فارسی منتشر نشده است.
