Mistral تطلق Small 4: نموذج MoE بـ119 مليار معامل للاستدلال والبرمجة والمهام متعددة الوسائط

عرضت Mistral AI نموذج Mistral Small 4، وهو نموذج مفتوح جديد يُفترض أن يحلّ محل عدة خطوط منفصلة من منتجات الشركة عبر نقطة وصول (endpoint) واحدة شاملة. فبدلًا من نموذج instruct مستقل ونموذج reasoning ونموذج vision ووكيل برمجة، يُقدَّم للمطورين نقطة تحقق (checkpoint) واحدة بمعمارية MoE مع عمق استدلال قابل للتبديل.

نموذج واحد بدل أربعة

الفكرة الرئيسية للإصدار ليست أن Mistral زادت عدد المعاملات فحسب. فـSmall 4 يدمج في منتج واحد الأدوار التي كانت موزعة سابقًا بين Mistral Small للتعليمات العادية، وMagistral للاستدلال المعقد، وPixtral للفهم متعدد الوسائط، وDevstral للبرمجة الوكيلية. وبالنسبة إلى الفرق التي تبني منتجاتها فوق نماذج LLM، فإن هذا أهم من أي رقم قياسي جديد في جداول benchmarks: توجيه أقل بين النماذج، وبنية تحتية أبسط، واحتمال أقل لاختلاف أسلوب الإجابات في الخطوات المتجاورة ضمن السيناريو الواحد.

«لم يعد على المستخدمين الاختيار بين وضع instruct السريع والاستدلال والمساعد متعدد الوسائط»، بحسب إعلان

Mistral.

من حيث التموضع، صُمم Small 4 لعدة أنواع من المهام في وقت واحد: المحادثة العادية، والعمل مع الشيفرة البرمجية، وسير العمل الوكيلي (agentic workflows)، وتحليل المستندات المعقدة أو الصور. وتقدّم Mistral النموذج صراحةً بوصفه طبقة شاملة لمهام المؤسسات (enterprise)، حيث يجب الجمع بين الطلبات النصية والمرئية ضمن واجهة API واحدة. ويبرز ذلك خصوصًا في سوق لا تزال فيه فرق كثيرة تحتفظ بنماذج منفصلة للمحادثة، وأخرى للاستدلال، وأخرى لمهام الرؤية (vision).

كيف يعمل النموذج

من الناحية المعمارية، هو نموذج Mixture-of-Experts بـ119 مليار معامل. ويضم 128 خبيرًا، لا يُفعَّل منهم لكل رمز (token) سوى أربعة، ولذلك تراهن Mistral على الكفاءة عند التشغيل لا على أقصى كثافة. كما تعلن الشركة عن نافذة سياق 256k ودعم أصيل للنصوص والصور.

صدر النموذج بترخيص Apache 2.0، أي يمكن استخدامه عبر API، وكذلك نشره بنفسك وإجراء تدريب إضافي (fine-tuning) له وفق احتياجاتك.

• 119 مليار معامل في البنية الإجمالية
• 128 خبيرًا و4 خبراء نشطين لكل رمز
• نافذة سياق 256k
• المدخلات: نص وصور
• ترخيص Apache 2.0 وإمكانية الاستضافة الذاتية (self-hosting)

وتركّز Mistral بشكل خاص على المعامل reasoning_effort، وهو في جوهره مفتاح للتبديل بين الإجابة السريعة ووضع أثقل من الاستدلال خطوة بخطوة. ففي الوضع none يُفترض أن يتصرف النموذج بشكل أقرب إلى Mistral Small 3.2، فيقدّم إجابات أخف بزمن استجابة منخفض. أما في الوضع high فيعمل بشكل أقرب إلى سلسلة Magistral، حين تكون جودة الاستدلال في المهام المعقدة أهم من السرعة. والمغزى العملي بسيط: بدلًا من مجموعة من نموذجين أو ثلاثة، يمكن الاحتفاظ بنشر (deployment) واحد وتغيير السلوك على مستوى الطلب.

السرعة والتشغيل

في الإعلان الرسمي، لا تراهن Mistral على الشمولية وحدها، بل على اقتصاديات الاستدلال (inference) أيضًا. فالشركة تعلن تقليص الزمن الكلي للتوليد بنسبة 40% في التهيئة المحسّنة لزمن الاستجابة، وزيادة عدد الطلبات في الثانية بمقدار ثلاثة أضعاف في السيناريو المحسّن للإنتاجية (throughput)، مقارنةً بـMistral Small 3.

وتؤكد Mistral على وجه الخصوص أن Small 4 مع تفعيل الاستدلال يحقق نتائج مماثلة أو أعلى من GPT-OSS 120B في AA LCR وLiveCodeBench وAIME 2025، مع توليد إجابات أقصر. وهذه المقارنات نشرتها الشركة نفسها، لكن التركيز على «الجودة لكل رمز» في بيئات الإنتاج مهم فعلًا.

وتسرد Mistral كذلك خيارات التشغيل العملية. فالنموذج متاح عبر Mistral API وAI Studio، ومنشور على Hugging Face، ومعلَن دعمه في حزم vLLM وllama.cpp وSGLang وTransformers. أما متطلبات الاستضافة الذاتية فلم تعد «مكتبية»: إذ حُدّد الحد الأدنى للتهيئة بـ4x NVIDIA HGX H100 أو 2x HGX H200 أو 1x DGX B200، بينما يُوصى بتجميعات أقوى للحصول على أفضل أداء. أي أن Small 4 يبدو نموذجًا مفتوحًا لا للحاسوب المحمول، بل لبنية خوادم جادة وفرق منتجات تهمها السيطرة وقابلية التخصيص وتكلفة ملكية يمكن التنبؤ بها.

ماذا يعني ذلك

تدفع Mistral قطاع المصدر المفتوح نحو نماذج أكثر شمولية، لا تقتصر ميزتها الأساسية على الجودة، بل تشمل تبسيط المنظومة المحيطة بنماذج LLM كلها. وإذا أكد Small 4 الكفاءة المعلنة في أحمال الإنتاج الفعلية، فستحصل الشركة على حجة قوية في وجه تعدد النماذج المنفصلة للاستدلال والرؤية والبرمجة. وبالنسبة إلى الشركات، هذه فرصة لتقليص تعقيد طبقة التنسيق (orchestration)، وبالنسبة إلى المطورين فرصة للحصول على طبقة أساسية واحدة قابلة للضبط تغطي مجموعة واسعة من المهام.