Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
РелизКод / SDK · В работуMistral AI Blog→ оригинал

Mistral открыла веса Large 4: 19,7% правок агента мейнтейнеры приняли бы в код

Mistral выложила веса Large 4 (Le Chonk) — открытой модели на 1 трлн параметров для кода. В закрытом тесте FrontierCode 2.0 от Cognition оценивают, принял бы мейнтейнер репозитория правку агента: у Large 4 таких правок 19,7%, у DeepSeek V4.1 Flash 19,3%. В Coding Agent Index у неё 48%, как у лидера GLM-5.3, но на задачу уходит на 47% меньше токенов. Для кодового агента на своих серверах это шанс снизить счёт за токены.

AI-обработка оригинала Mistral AI Blog; редакция Hamidun News
Mistral открыла веса Large 4: 19,7% правок агента мейнтейнеры приняли бы в код
Источник: Mistral AI Blog. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникMistral AI Blog ↗
Главный редактор
Terminal-Bench 4.041%, на 13 п.п. выше превью, выходных токенов на 30% меньше
Cyber Index51%; на вредоносные киберзапросы отказывает в 96,6% случаев
Три режима рассужденийLow, Medium, High (по умолчанию)

Mistral опубликовала веса Mistral Large 4, которую в компании называют Le Chonk. Это флагманская мультимодальная модель на 1 трлн параметров, обученная с нуля на европейской инфраструктуре. Её можно скачать, развернуть у себя и дообучить, не обращаясь к API Mistral. Главная цифра релиза — 19,7% на закрытом тесте FrontierCode 2.0 от компании Cognition. Тест устроен приземлённо: агент правит реальный репозиторий, а проверяют, хорош ли код целиком и принял бы ли его живой мейнтейнер проекта. Значит, почти каждая пятая правка Large 4 дошла бы до слияния. Среди открытых моделей это лучший результат в таблице Mistral.

Все цифры ниже приводит сама Mistral. Часть тестов проводили сторонние команды, но независимой перепроверки в материале нет.

Кодинг: сильнее соседей и экономнее по токенам

Превью модели вышло ранее в этом месяце. Потом команда ещё три недели продолжала обучение с подкреплением (RL), когда модель получает награду за правильно решённые задачи. Результат вырос, и признаков насыщения Mistral не видит.

В FrontierCode 2.0 рядом с Large 4 стоят DeepSeek V4.1 Flash (19,3%), GLM-5.3 (17,8%) и Kimi K3 (17,3%). Отрыв небольшой, но он заметен.

В Artificial Analysis Coding Agent Index у Large 4 48%. Это почти столько же, сколько у лидера среди открытых моделей GLM-5.3. Зато на каждую задачу модель тратит в среднем на 47% меньше токенов. Если агент решает сотни задач в день, разница видна в счёте за инференс.

В терминальных сценариях, где агент сам запускает команды, на Terminal-Bench 4.0 модель набрала 41%. Это на 13 п.п. больше, чем у превью, и лучший результат среди открытых моделей в сравнении. Выходных токенов при этом стало на 30% меньше.

В слепых парных сравнениях Surge Code оценщики выбирали ответы Large 4 чаще, чем ответы GLM-5.3 (64%), Kimi K3 (64%) и DeepSeek V4.1 Flash (56%). Проиграла она только Claude Opus 5.5: у той 78% побед.

Режимов рассуждения теперь три:

  • Low для простых задач, заменяет прежний режим без рассуждений;
  • Medium для повседневной работы;
  • High для самых сложных задач, где нужна точность. Это режим по умолчанию.

Кибербезопасность: помогать защитникам, не помогать атакующим

В Artificial Analysis Cyber Index модель набрала 51%. Индекс проверяет три шага: найти уязвимость в коде, воспроизвести её и подтвердить, затем исправить, ничего не сломав. В диаграмме Mistral есть модели с более высокими баллами, до 57%. Mistral делает упор на другое: на законных защитных задачах Large 4 не отказывает без причины.

Встроенные ограничения отделяют защиту от нападения. На вредоносные киберзапросы модель отказывает в среднем в 96,6% случаев. Это самый высокий показатель среди открытых моделей, которые измеряла Mistral. Замеры шли на запросах из JailbreakBench, StrongREJECT и AgentHarm. Для сравнения, у DeepSeek-V4-Pro в той же диаграмме около 51%, у Gemma-4-31B около 84%, у GLM-5.3 около 87%, у Kimi K3 около 94%.

Подтверждают интерес и партнёры. Booz Allen пишет, что модель сравнялась с другими передовыми киберрешениями по полноте обнаружения уязвимостей при более выгодной стоимости. Агентство ENISA тестирует её на поиске уязвимостей, аудите кода и анализе защитных логов. Elastic уже поддерживает открытые модели Mistral в Elastic Security. Отзывы оставили также Cisco, Cloudflare, CrowdStrike, Fortinet, NVIDIA, Orange Cyberdefense, Rubrik и Zscaler. Почти везде повторяется один довод: защитникам нужна модель, которую они контролируют сами.

Суверенность и ограничения

Для банков, госорганов и регулируемых отраслей Европы важно, что модель целиком обучена в Европе и её происхождение прослеживается от начала до релиза. Данные не нужно отправлять в чужую юрисдикцию, а архитектуру можно изучать и аудировать. Mistral называет это «суверенным ИИ».

Остаются и оговорки. Результаты тестов опубликовала сама компания, а FrontierCode 2.0 закрытый, поэтому повторить его вручную нельзя. Лидерство в кодинге отмечено среди открытых моделей: Claude Opus 5.5 в слепом сравнении оказалась сильнее. Модель на 1 трлн параметров потребует серьёзного парка GPU.

Практический вывод простой. Если вы строите кодового или защитного агента и хотите держать его на своей инфраструктуре, добавьте Large 4 в сравнение. Прогоните её на собственных задачах и сравните, сколько токенов она тратит в режимах Medium и High. Именно эта экономия станет главным аргументом в пользу выбора.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: кодинг: сильнее соседей и экономнее по токенам?

Превью модели вышло ранее в этом месяце. Потом команда ещё три недели продолжала обучение с подкреплением (RL), когда модель получает награду за правильно решённые задачи. Результат вырос, и признаков насыщения Mistral не видит. В FrontierCode 2.0 рядом с Large 4 стоят DeepSeek V4.1 Flash (19,3%), GLM-5.3 (17,8%) и Kimi K3 (17,3%). Отрыв небольшой, но он заметен. В Artificial Analysis Coding Agent Index у Large 4 48%. Это почти столько же, сколько у лидера среди открытых моделей GLM-5.3.

Что известно по теме: кибербезопасность: помогать защитникам, не помогать атакующим?

В Artificial Analysis Cyber Index модель набрала 51%. Индекс проверяет три шага: найти уязвимость в коде, воспроизвести её и подтвердить, затем исправить, ничего не сломав. В диаграмме Mistral есть модели с более высокими баллами, до 57%. Mistral делает упор на другое: на законных защитных задачах Large 4 не отказывает без причины. Встроенные ограничения отделяют защиту от нападения. На вредоносные киберзапросы модель отказывает в среднем в 96,6% случаев.

Что известно по теме: суверенность и ограничения?

Для банков, госорганов и регулируемых отраслей Европы важно, что модель целиком обучена в Европе и её происхождение прослеживается от начала до релиза. Данные не нужно отправлять в чужую юрисдикцию, а архитектуру можно изучать и аудировать. Mistral называет это «суверенным ИИ». Остаются и оговорки. Результаты тестов опубликовала сама компания, а FrontierCode 2.0 закрытый, поэтому повторить его вручную нельзя. Лидерство в кодинге отмечено среди открытых моделей: Claude Opus 5.5 в слепом сравнении оказалась сильнее.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…