Mistral ha pubblicato i pesi di Mistral Large 4, il modello da circa un bilione di parametri che la società aveva presentato in anteprima a inizio ottobre. La versione che si scarica ora su Hugging Face è sensibilmente migliorata: tre settimane aggiuntive di apprendimento per rinforzo, guidate dai feedback dei clienti, hanno spinto il modello in cima alla classe dei modelli aperti per il coding agentico e la difesa informatica, secondo l'azienda parigina.
Il modello, soprannominato "Le Chonk", legge testi e immagini e produce testo e codice. Per ogni compito ne attiva circa 52 miliardi dei suoi parametri. Accanto alla versione completa, Mistral rilascia anche una variante quantizzata, cioè compressa per occupare meno memoria, che secondo quanto riportato gira su quattro GPU Nvidia B200 o B300.
Immagine: Mistral AI — https://mistral.ai
Il progresso più visibile riguarda il coding. Nel test Terminal-Bench 4.0, che misura la capacità di un agente di lavorare nel terminale, ML4 è passato dal 28% della prima anteprima al 41%, superando di poco GLM-5.3 fermo al 40%. Secondo Artificial Analysis, con il suo indice per gli agenti di coding il modello si avvicina a GLM-5.3 usando in media il 47% di token in meno per ogni compito, un risparmio che si accumula quando gli agenti lavorano per ore.
Sul fronte della sicurezza informatica, ML4 ha totalizzato il 79% su CyberGym-E2E, un test che verifica se un modello sa trovare, riprodurre e correggere bug di sicurezza nella gestione della memoria in progetti C e C++ open source. È alla pari di MiMo-V2.6-Pro e supera DeepSeek V4.1 Flash, fermo al 76%. Alcuni clienti lo usano già per test di penetrazione automatizzati, facendo girare agenti specializzati che sondano le proprie applicazioni alla ricerca di falle.
I primi tester, che Mistral descrive solo come governi e aziende, chiedevano più controllo sulla durata del ragionamento del modello. L'azienda ha quindi aggiunto due modalità, a ragionamento basso e medio, accanto a quella alta, e ha reso quest'ultima il 50% più efficiente.
Pierre Stock, vicepresidente della ricerca di Mistral, legge la scelta open come una questione di continuità. "L'AI sarà come l'elettricità", ha detto, e nessuna azienda dovrebbe dipendere da chi può tagliarle l'accesso "dall'oggi al domani". Una volta che i pesi circolano online, sostiene, l'accesso non può più essere revocato, anche se i rivali contestano la sicurezza dei modelli aperti. Lo stesso ragionamento vale per i laboratori cinesi, che dominano i modelli aperti: nulla garantisce, secondo Stock, che continueranno a pubblicare i pesi, e i loro modelli offrono meno trasparenza e potrebbero diventare vettori di attacco.
Mistral dice di aver costruito ML4 con una frazione delle risorse dei laboratori chiusi e dei rivali cinesi, un'affermazione difficile da verificare perché i laboratori cinesi rivelano poco dei costi di addestramento. Il modello è stato addestrato su 3.800 GPU Nvidia Grace Blackwell in Europa, mentre l'apprendimento per rinforzo ha girato su calcolo proprio in Francia, assorbendo circa 10 megawatt. "Altri laboratori hanno raccolto centinaia di miliardi per sviluppare capacità equivalenti; in tre anni Mistral ha raccolto circa 6 miliardi di dollari", ha dichiarato il CEO Arthur Mensch.
Nei prossimi mesi arriveranno versioni più piccole e distillate, una delle quali girerà su un portatile, ma l'azienda non si è impegnata su date precise. I prezzi delle API per ML4 non sono ancora pubblici: Stock sostiene che il costo a token inganni quando un modello ne consuma molti meno per ogni lavoro.
ML4 è disponibile sulla piattaforma Hugging Face, tramite le API di Mistral e per alcuni utenti di Vibe. La prova più dura arriverà ora: Stock vuole che Mistral non raggiunga la frontiera una volta sola, ma "crei il ritmo della frontiera".
Ancora nessun commento. Puoi essere il primo!