Mistral выложила веса Large 4 — открытая модель на 1 трлн параметров для кода

Mistral AI опубликовала веса Mistral Large 4 — своей новой флагманской модели. Это мультимодальная система на 1 трлн параметров: она работает не только с текстом, но и с другими типами данных. «Веса» — это сами числа, в которых хранится обученная нейросеть. Раз они открыты, модель можно скачать, запустить на своём железе и дообучить под себя. Модель обучили с нуля на европейской инфраструктуре. После публичного превью её дообучили методом обучения с подкреплением (RL, когда модель получает «оценку» за результат и подстраивается под неё) на двух классах задач: программирование и кибербезопасность.

Что показали независимые замеры

Цифры взяты из рейтингов компании Artificial Analysis. Она независимо прогоняет модели через стандартные наборы тестов и публикует сравнение.

• Coding Agent Index — 48%. Индекс проверяет кодинг-агентов: модель получает задачу в реальной кодовой базе, сама читает файлы, вносит правки и запускает проверки. 48% — итоговый балл Mistral Large 4.
• На 47% меньше токенов, чем у GLM-5.3. Токен — единица текста, за которую платит пользователь. Чтобы решить ту же задачу, Mistral Large 4 тратит почти вдвое меньше токенов, чем открытая модель GLM-5.3. Для агентов это важно: они делают десятки шагов, и каждый шаг стоит денег.
• Artificial Analysis Cyber — 51%. Этот тест оценивает три умения: найти уязвимость в коде, воспроизвести её (показать, что дыра реально работает) и написать патч, который её закрывает.

Отдельно Mistral заявляет, что модель проводит аудит кода без ложных срабатываний фильтров безопасности. Проблема знакомая: многие модели отказываются разбирать уязвимый код, принимая просьбу защитника за попытку атаки. Для специалиста по безопасности такой отказ — потерянное время. Насколько хорошо это работает на практике, покажут независимые проверки.

Режимы рассуждений и цена

Чтобы управлять стоимостью, в модель встроили три режима рассуждений:

• Low — минимум размышлений, быстрые и дешёвые ответы;
• Medium — компромисс;
• High — режим по умолчанию, максимум рассуждений на сложных задачах.

Разработчик сам решает, сколько токенов тратить на «обдумывание». Для простой правки в одну строку хватит Low, для поиска уязвимости в большом проекте лучше High.

Цены официального API Mistral:

• $0,70 за миллион входных токенов;
• $0,07 за миллион входных токенов при попадании в кеш, то есть в десять раз дешевле;
• $2,10 за миллион выходных токенов.

Скидка на кеш выгодна именно агентам. В длинной сессии они снова и снова отправляют модели один и тот же контекст: описание проекта, прочитанные файлы, историю шагов.

Где попробовать и что с лицензией

Запускать модель локально необязательно. Она доступна через:

• Mistral API;
• OpenRouter — единый шлюз ко многим моделям;
• Vibe Code — среду разработки от Mistral;
• оптимизированные контейнеры NVIDIA NIM, готовые к развёртыванию на GPU.

Веса лежат на Hugging Face в репозитории Mistral-Large-4-1T-A52B. Судя по названию, модель построена по схеме «смесь экспертов»: из 1 трлн параметров на каждый токен задействуются около 52 млрд. Это ускоряет работу и удешевляет её по сравнению с плотной моделью того же размера. Но хранить все веса всё равно придётся целиком. В 8-битном формате это порядка терабайта, так что без кластера из нескольких серверов с GPU модель не запустить.

Лицензия — модифицированная MIT. Базовая MIT почти ничего не ограничивает, но Mistral добавила свои условия. Какие именно, видно в файле LICENSE в репозитории. Юристам компаний стоит прочитать его до внедрения, особенно если речь о коммерческих продуктах.

Что это значит для инженеров и бизнеса

У команд, которым нужен кодинг-агент и важно контролировать данные, появился ещё один серьёзный вариант с открытыми весами. Модель можно держать внутри своего контура и дообучать на своём коде. Европейское происхождение и обучение на европейской инфраструктуре дают аргумент компаниям, у которых есть требования к размещению данных.

Сравнивать модель стоит на собственных задачах. Индекс Artificial Analysis — хороший ориентир, но не замена пробному прогону на вашем репозитории. Экономия в 47% токенов относительно GLM-5.3 даёт реальную выгоду только при ваших объёмах и ваших сценариях. А значение 51% в кибербезопасности означает, что модель решает примерно половину задач теста. Работу живого специалиста по безопасности она пока не заменяет, но как помощник при аудите кода уже полезна.