Mistral Large 4 стала лучшей открытой моделью за пределами Китая: программирует лучше, а стоимость задания снизилась на 63%

В предварительном тестировании Large 4 получила 25 баллов, поэтому общий прирост оказался небольшим. Более заметные улучшения связаны с эффективностью, стоимостью и сокращением числа выдуманных ответов.

По стоимости задания Large 4 опередила Muse Spark Open. Но модели DeepSeek и MiMo набирают больше баллов в Intelligence Index при заметно меньших затратах. А лидерство Large 4 среди моделей, созданных за пределами Китая, не означает, что она сильнейшая открытая модель в мире: результаты зависят от программного обеспечения и настроек запуска.

Что изменилось после предварительной версии

Когда VentureBeat писал о Large 4 6 октября, Mistral предлагала предварительную версию через API и обещала выпустить веса 27 октября. Они стали доступны 29 октября — после примерно трёх дополнительных недель обучения с подкреплением и сбора отзывов клиентов и партнёров по безопасности.

Модель сохранила основные свойства: это крупная система с разреженной активацией, которая принимает изображения и текст и генерирует текст. Artificial Analysis указывает контекст объёмом 1 миллион токенов. В материалах о выпуске названы 1,05 триллиона параметров всего и 52 миллиарда активных параметров. Изменения после предварительной версии связаны с дополнительным обучением и новыми способами развёртывания, а не с появлением отдельного семейства моделей.

Некоторые характеристики требуют пояснений. В первоначальном материале VentureBeat говорилось о 49 миллиардах активных параметров, а в новых материалах — о 52 миллиардах. В описании Mistral на Hugging Face указано, что меньшее число отражает активность на каждый токен, а большее учитывает также эмбеддинги и выходные слои. Само по себе это расхождение не доказывает, что Mistral увеличила модель за время предварительного тестирования.

В последних материалах указано, что для обучения использовали 3800 графических процессоров Nvidia Grace Blackwell, а не примерно 4000, о которых сообщалось сначала. Одновременно Mistral раскрыла варианты развёртывания: Mistral Studio и её API, OpenRouter, Vibe Code, Microsoft Foundry с возможностью частного развёртывания в Azure, а также конечные точки Nvidia и оптимизированный контейнер NIM. По словам Mistral, загруженные веса можно запускать с помощью vLLM или SGLang.

Пользователю доступны три режима рассуждения: низкий заменяет прежний режим «None», средний рассчитан на повседневные задачи, а высокий установлен по умолчанию для самых сложных запросов. Команда разработки может включить глубокое рассуждение для трудной отладки и выбрать низкий режим для обычных запросов. Снизит ли это стоимость успешно выполненной работы, зависит от задачи и от того, как часто более дешёвую попытку придётся исправлять.

Стоимость заданий снизилась на 63%

Для итоговой версии Mistral установила тарифы API: $0,70 за миллион входных токенов, $0,07 за миллион кэшированных входных токенов и $2,10 за миллион выходных. Artificial Analysis подтвердила эти цены. Ранее тарифы составляли $1,36, $0,14 и $4,18 соответственно — примерно вдвое больше.

Теперь Artificial Analysis измерила стоимость заданий для выпущенной версии, а не рассчитывала её по тарифам на токены.

По оценке Artificial Analysis от 29 октября, стоимость задания в Intelligence Index снизилась с $5,54 до $2,06. Страница модели Large 4 показывает ту же цену. Эти цифры относятся к заданиям Intelligence Index, а не агент для программирования Index.

Снижение относительно предварительной версии составило около 63%, и Large 4 приблизилась по стоимости к Muse Spark Open. Однако DeepSeek и MiMo набирают больше баллов в Intelligence Index при существенно меньшей стоимости задания. Низкий расход выходных токенов сам по себе не гарантирует минимальный счёт: на расходы также влияют тарифы, объём входных данных и кэширование.

Эти тесты не учитывают расходы на собственный хостинг модели, настройку, эксплуатационный контроль и проверку человеком. Компаниям всё равно нужно оценивать стоимость работы, выполненной в их среде с приемлемым качеством.

Что разрешает лицензия

Лицензия на открытые веса Mistral разрешает запускать, копировать, изменять и дообучать модель, распространять её, выдавать сублицензии и продавать модель и её производные. При этом к копиям или существенным частям нужно прилагать уведомления об авторских правах и разрешениях. Это изменённая лицензия MIT с дополнительным коммерческим ограничением, поэтому описание Large 4 просто как модели «под лицензией MIT» опускает важное условие.

Раздел 2 требует отдельной коммерческой лицензии до коммерческого использования модели или её производных, если лицензиат либо его аффилированная компания ведёт бизнес по предоставлению моделей как услуги.

Определение охватывает предоставление третьим сторонам доступа для инференса или дообучения через API, размещённую конечную точку или другим способом, если пользователи могут в значительной степени контролировать входные данные, параметры или данные обучения.

Из определения сделаны два исключения. Первое — пользовательские продукты, в которых возможности модели встроены только в отдельные функции или программные оболочки. Второе — сервисы, которые лишь перенаправляют запросы к моделям, размещённым другими компаниями. Раздел 3 отдельно исключает внутреннее использование, если модель или её производные не становятся доступными третьим сторонам, а также использование через официальные продукты Mistral.

Таким образом, компания может использовать Large 4 внутри себя без отдельной коммерческой лицензии по разделу 2, даже если она или её аффилированная организация предоставляет модели как услугу.

Если возможности модели встроены только в отдельные функции или программные оболочки пользовательского продукта, такое использование не подпадает под определение услуг с доступом к модели. Но оператору всё равно нужно проверить, не требует ли отдельной лицензии другая деятельность его компании или аффилированной организации.

Если оператор предоставляет клиентам размещённый инференс или дообучение с указанным уровнем контроля, отдельная лицензия нужна до коммерческого использования — с учётом перечисленных исключений.

Различие определяется деятельностью компании и способом предоставления доступа, а не её размером: в лицензии нет порога выручки. Разрешение запускать загруженные веса также не означает, что размещённые сервисы или инфраструктура для самостоятельного хостинга бесплатны.

Второе место среди открытых агентов для программирования

Artificial Analysis независимо указала место Large 4 в агент для программирования Index. Это сравнение учитывает и саму модель, и программное обеспечение агента, которое управляет вызовами инструментов и выполнением задач по программированию.

По оценке Artificial Analysis от 29 октября и последующим публикациям, речь идёт о моделях с открытыми весами, доступных на тот момент.

Large 4 отстаёт от GLM-5.3 на один балл и опережает DeepSeek на два. На одну задачу модель расходует 8,5 миллиона токенов — примерно на 47% меньше, чем конфигурация GLM с 15,9 миллиона. Это подтверждает заявление Mistral об эффективности. Компания считает результаты фактически равными, а Artificial Analysis ставит Large 4 на второе место. Разница в один балл сама по себе не доказывает статистическую значимость.

Рейтинг сравнивает полные конфигурации агентов, а не только модели: он не показывает, как они справились бы при одинаковых остальных компонентах. В агент для программирования Index входят FrontierCode v1.1, Terminal-Bench 4.0 и SWE-Atlas-QnA-AA. Это отдельный рейтинг от более широкого Intelligence Index, куда входят FrontierCode 2.0 и дополнительные тесты на знания, рабочие задачи и рассуждение.

Это различие важно для оценки других заявлений Mistral о программировании.

В собственной оценке Mistral результат Large 4 на Terminal-Bench вырос с 28% у предварительной версии до 41%, а расход выходных токенов сократился на 30%. Отдельная оценка Artificial Analysis в рамках Intelligence Index показывает для этого теста 25%. Результаты получены в разных условиях; доступные материалы не позволяют точно определить вклад различий в программном обеспечении и настройках. Показатель Mistral в 41% нельзя подменять результатом Artificial Analysis в 25% или представлять любой из них как универсальную характеристику модели.

Различаются и результаты FrontierCode. На графике Mistral показатель Large 4 составляет 19,7% против 19,3% у DeepSeek. В оценке Artificial Analysis Large 4 получает 15% и уступает DeepSeek с 29% и GLM-5.3 с 22%. Независимая оценка не подтверждает первое место Large 4 в FrontierCode за пределами сравнения, проведённого самой Mistral.

Mistral также сообщает о слепом исследовании предпочтений Surge Code: Large 4 выигрывает в 64% сравнений с GLM-5.3 и Kimi K3, в 56% сравнений с DeepSeek V4.1 Flash и в 22% — с Claude Opus 5.5. Это другой тип свидетельств — предпочтения людей в указанных сравнениях, а не замена бенчмаркам выполнения задач.

Первоначальный материал VentureBeat был посвящён предварительному результату Large 4 в DeepSWE — 62%. В новых материалах Mistral не приводит обновлённого результата DeepSWE. Ни Terminal-Bench, ни составной рейтинг программирования нельзя напрямую сравнивать с ним.

«Но модель рассчитана на всех разработчиков — от тех, кто работает дома, до корпоративных команд», — сказала Джейниевич. По её словам, организации также могут адаптировать Large 4 для собственного программного обеспечения; поэтому результаты на внутренних задачах становятся ещё одним фактором помимо публичных тестов.

Небольшое преимущество за пределами Китая

Итоговые 26 баллов Large 4 в Intelligence Index можно напрямую сравнить с 25 баллами предварительной версии по той же версии теста — v5. Это небольшой прирост, а не свидетельство резкого улучшения возможностей. По оценке Artificial Analysis, заметнее изменились расход токенов и число галлюцинаций.

Географическое уточнение также важно. Преимущество Large 4 в один балл над Muse Spark Open делает её моделью с открытыми весами, разработанной за пределами Китая и набравшей больше всего баллов в оценке Artificial Analysis. Но в мире выше неё расположились семь открытых моделей. DeepSeek V4.1 Flash 1017 и GLM-5.3 набрали по 32 балла, а MiMo-V2.6-Pro — 30. Среди всех моделей в рейтинге Gemini 4 Carbon получила 59 баллов, Claude Opus 5.5 — 58, GPT-6 Astra — 57. Здесь перечислены конфигурации с высоким уровнем рассуждения.

Artificial Analysis связывает заметную часть отставания Large 4 от лидеров среди открытых моделей с программированием и знаниями, нужными агентам. Помимо более низкого результата в FrontierCode, Large 4 получила 1349 баллов Эло в AA-Briefcase — против 1570 у DeepSeek и 1504 у GLM. В сравнении с Muse Spark Open главное преимущество Large 4, по оценке Artificial Analysis, приходится на Terminal-Bench: 25% против 8% в Intelligence Index.

Эффективность улучшилась заметнее. По данным Artificial Analysis, итоговая версия в среднем расходует 82 000 выходных токенов на задание Intelligence Index против 135 000 у предварительной версии — на 39% меньше. Семь открытых моделей с более высокими баллами тратят от 113 000 до 225 000 выходных токенов на задание. Это сочетание возможностей и расхода выходных токенов не доказывает, что Large 4 — самый дешёвый вариант.

Средние 82 000 токенов учитывают только выход. Показатель 8,5 миллиона токенов на задачу в агент для программирования Index включает входные, кэшированные и выходные токены. Кроме того, тесты используют разные наборы заданий. Объединять эти цифры для сравнения эффективности было бы некорректно.

Есть и историческое различие. В октябре на старте предварительной версии Artificial Analysis поставила ей 38 баллов. Затем в Intelligence Index v5 появились более сложные задания, а доля тестов с закрытыми или скрытыми ответами выросла до 60%. Тогдашние 38 баллов и нынешние 26 относятся к разным шкалам; корректное сравнение по v5 — 25 и 26 баллов.

Галлюцинаций меньше, но точность остаётся ограниченной

В AA-Omniscience v1.1 Artificial Analysis оценила долю галлюцинаций у выпущенной Large 4 в 28% — против 41% у предварительной версии. Это столько же, сколько у Muse Spark Open, и на 13 процентных пунктов меньше, чем у предварительной Large 4.

Точность Large 4 при этом составляет 26%. У Ling 3.1 Flash 1019 она равна 27%, у DeepSeek V4.1 Flash 1017 — 40%, у Muse Spark Open — 42%. Одинаковая с Muse доля галлюцинаций не означает, что модели одинаково точно отвечают на фактические вопросы.

AA-Omniscience проверяет фактические знания и работу с неопределённостью. Для корпоративных пользователей важно различать два показателя: системе с меньшим числом неподтверждённых ответов может быть проще назначить проверку, но она всё равно должна правильно отвечать на достаточную часть нужных вопросов. Этот бенчмарк не показывает, насколько точно Large 4 работает с закрытыми документами конкретной компании и насколько надёжна во всех производственных сценариях.

Кибербезопасность — важная часть предложения

Artificial Analysis подтвердила, что Large 4 набрала 51 балл в Cyber Index при высоком уровне рассуждения. Это третье место среди доступных на тот момент открытых моделей. DeepSeek V4.1 Flash 1017 с максимальным уровнем рассуждения лидирует с 57 баллами, за ней идёт MiMo-V2.6-Pro с 56.

Результаты по отдельным компонентам показывают, почему одного итогового балла недостаточно.

В разборе Artificial Analysis после оценки от 29 октября Large 4 превосходит DeepSeek и сравнивается с MiMo в CyberGym, но уступает обеим моделям в двух других компонентах. Результат в 79% на слайде Mistral подтверждается текущей оценкой Artificial Analysis для CyberGym. Это не балл за весь Cyber Index. Разбивка помогает командам безопасности выбирать тесты, относящиеся к их задачам, и не считать общий результат доказательством лидерства модели по всем направлениям кибербезопасности.

Mistral также сообщает, что в среднем модель отказывала в 96,6% вредоносных киберзапросов из JailbreakBench, StrongREJECT и AgentHarm. Это результаты самой компании на заданных тестах. В той же публикации Mistral признаёт, что модель может помочь реальным атакам, и сообщает о работе над изменением защитных механизмов.

Отдельно от выпуска открытых весов Mistral предоставила предварительный доступ к специализированной версии партнёрам по разработке, включая Orange Cyberdefense. Она предназначена для сложных задач безопасности. Доступ выдают после проверки и подписания договорных условий, а тестировать модель разрешено только на собственных системах или системах, на проверку которых получено явное разрешение, и в контролируемой среде.

По словам Джейниевич, клиенты всё чаще спрашивают о защитных возможностях на фоне угроз, связанных с другими моделями и агентами. Аргумент Mistral в пользу выпуска весов состоит в том, что организации должны иметь возможность самостоятельно настраивать защиту.

«Мы считаем, что лучший способ защитить клиентов — дать им доступ к этим моделям и возможность самим устанавливать и настраивать некоторые защитные механизмы», — сказала она.

Это объясняет, кто будет задавать правила работы модели, но не доказывает, что открытую модель нельзя перенастроить для атак. В интервью Джейниевич не представила доказательств, что последующие пользователи не смогут удалить или изменить защитные механизмы. Передача большего контроля добросовестным операторам одновременно уменьшает контроль первоначального разработчика над последующими развёртываниями.

Для корпоративной команды безопасности возможное преимущество — непрерывность работы: локально запущенная модель может оставаться доступной во время инцидента, не требуя одобрения каждого запроса удалённым сервисом. Но компании должны проверять её поведение и ограничивать доступ к производственным системам. Сам факт загрузки весов не доказывает, что автономного агента безопасности безопасно запускать.

Дополнительные корпоративные бенчмарки

В публичной публикации Mistral добавила результаты, которых не было в прежних материалах о программировании и кибербезопасности:

Результат вырос на 5,9 процентного пункта, но остался ниже 77,3% у Kimi K3.

Ранняя контрольная точка обучения с учителем — 75%.

Рост на 9,5 процентного пункта относительно ранней контрольной точки, которую Mistral не называет предварительной версией Large 4.

Первоначальный материал VentureBeat округлял ранний результат Finch до 67%; в опубликованных материалах о выпуске теперь указаны более точная исходная цифра и обновлённый результат. Это улучшение в бенчмарках, а не измерение дохода или производительности клиентов. Результат B3 также показывает устойчивость к проверенным атакам, но не доказывает, что любой развёрнутый агент безопасен без дополнительных ограничений.

Настройка под компанию и реальные результаты

Джейниевич неоднократно говорила об отраслях, где ценность модели зависит от закрытых данных и специализированных процессов. В числе примеров она назвала промышленность и финансовые услуги, а также испытания на ударопрочность автомобилей BMW и процессы проверки клиентов HSBC. Эти примеры иллюстрируют корпоративные задачи, на которые нацелена Mistral, но не являются опубликованными результатами внедрения новой Large 4 в производство.

«Мы создаём модели специально для отраслей, которым они нужны», — сказала Джейниевич.

По её словам, есть два пути настройки. Технически подготовленные организации могут работать с Mistral Forge самостоятельно, а остальные — вместе с инженерами по развёртыванию и прикладными учёными Mistral. В обоих случаях предложение включает работу по адаптации модели к процессам заказчика.

Такой подход объясняет, как Mistral строит своё предложение.

Например, производителю может быть важнее, насколько надёжно система трактует его инженерные документы, соблюдает ограничения доступа и работает в разрешённой вычислительной среде, чем широта ответов на общие вопросы. Банк может поставить на первое место единообразную работу с собственными данными клиентов и процедурами проверки. Это возможные варианты применения, а не подтверждённые выпуском результаты.

Джейниевич сказала, что некоторые существующие клиенты уже видят снижение расходов. По её словам, за последние шесть месяцев многие клиенты начали замечать уменьшение счетов.

Но на вопрос о результатах, связанных именно с Large 4, она ответила, что системы с новой моделью ещё создаются, а для осмысленных измерений в реальной эксплуатации потребуется больше времени.

В публикации Mistral также приведены качественные отзывы организаций, включая Belfius, ABN AMRO, ASML и Европейское космическое агентство, а также партнёров по безопасности.

Эти заявления говорят об интересе, тестировании и возможных способах развёртывания, но не содержат количественных результатов именно для Large 4, по которым можно было бы рассчитать отдачу от внедрения.

Новые данные Mistral подтверждают конкретное предложение: открытые веса, конкурентная конфигурация агента для программирования и заметно более низкая стоимость по сравнению с предварительной версией. Перевесят ли эти преимущества более дешёвые и набирающие больше баллов альтернативы, зависит от рабочих задач компании, требований к развёртыванию и причин, по которым ей важно самостоятельно контролировать модель.