میسترال لارج ۴ (Le Chonk)؛ مدل متن‌باز یک‌تریلیونی اروپا با وزن‌های باز ۲۷ اکتبر

شرکت فرانسوی میسترال با معرفی Mistral Large 4 معروف به «لو شانک»، مدلی یک‌تریلیونی با کانتکست یک میلیون توکن و وعده‌ی انتشار وزن‌های متن‌باز در ۲۷ اکتبر را وارد میدان کرده است؛ مدلی که بالاترین امتیاز میان مدل‌های متن‌باز غربی را دارد، اما هنوز به غول‌های چینی نرسیده است.

۱. میسترال لارج ۴ چیست و چه زمانی معرفی شد؟

شرکت میسترال، یکی از مهم‌ترین آزمایشگاه‌های هوش مصنوعی اروپا، روز ۶ اکتبر ۲۰۲۶ نسخه‌ی پیش‌نمایش عمومی مدل «Mistral Large 4» را عرضه کرد. این مدل در محافل فنی با لقب «لو شانک» (Le Chonk) شناخته می‌شود؛ نامی شوخ‌طبعانه که به غول‌پیکر بودن آن اشاره دارد. میسترال این مدل را بزرگ‌ترین و توانمندترین محصول خود تا امروز معرفی کرده و مدعی است در مجموع آزمون‌ها بهترین مدل با وزن‌های باز از آمریکا یا اروپاست.

اهمیت خبر فقط در بزرگی عدد پارامترها نیست. اروپا در یک سال گذشته بارها با این پرسش روبه‌رو بوده که آیا می‌تواند در رقابت مدل‌های پیشرو حضور جدی داشته باشد یا نه. میسترال با این انتشار می‌خواهد پاسخ بدهد که ساخت و استقرار کامل یک مدل مرزی، از آموزش تا ارائه‌ی سرویس، درون خاک اروپا ممکن است. اگر تازه با دنیای شرکت‌های بزرگ این حوزه آشنا شده‌اید، پیشنهاد می‌کنیم مقاله‌ی OpenAI چیست را هم بخوانید تا تصویر کلی‌تری از بازیگران اصلی داشته باشید.

۲. مشخصات فنی؛ یک تریلیون پارامتر، ۴۹ میلیارد فعال

مدل Mistral Large 4 از معماری «ترکیب متخصصان» یا Mixture-of-Experts استفاده می‌کند. در این معماری، شبکه از تعداد زیادی زیرشبکه‌ی تخصصی ساخته می‌شود و برای هر توکن فقط بخشی از آن‌ها فعال می‌شوند. نتیجه این است که مدل از نظر دانش و ظرفیت بسیار بزرگ است، ولی هزینه‌ی محاسباتی هر پاسخ به اندازه‌ی یک مدل خیلی کوچک‌تر خواهد بود.

اعداد اعلام‌شده به این شرح است: مجموع پارامترها حدود ۱.۰۵ تریلیون، پارامترهای فعال در هر توکن ۴۹ میلیارد، و یک رمزگذار تصویر ۱.۶ میلیارد پارامتری برای درک تصاویر. مدل بومی چندرسانه‌ای است، یعنی متن و تصویر را در یک چارچوب واحد پردازش می‌کند. کانتکست آن یک میلیون توکن است که برای تحلیل کتاب، قرارداد بلند یا یک پایگاه کد بزرگ کاملاً کاربردی است. همچنین بیش از ۱۶۰ زبان پشتیبانی می‌شود.

قابلیت‌های همراه مدل

خروجی ساختاریافته، فراخوانی تابع، پرسش و پاسخ روی اسناد، پردازش دسته‌ای، ساخت عامل‌ها، مکالمه‌ها و ابزارهای داخلی از جمله قابلیت‌هایی هستند که میسترال برای این مدل اعلام کرده است. این یعنی هدف اصلی فقط گفت‌وگو نیست و مدل برای ساخت محصول و خودکارسازی کسب‌وکار طراحی شده است.

۳. قیمت API و دسترسی

در دوره‌ی پیش‌نمایش، هزینه‌ی استفاده از API برای هر یک میلیون توکن ورودی ۰.۶۸ دلار، برای ورودی کش‌شده ۰.۰۷ دلار و برای خروجی ۲.۰۹ دلار است. این ارقام در مقایسه با بسیاری از مدل‌های بسته‌ی مرزی بسیار ارزان‌تر است و برای شرکت‌هایی که حجم بالای توکن مصرف می‌کنند جذابیت جدی دارد. کش‌شدن ورودی نیز برای کاربردهایی مثل پرسش مکرر از یک سند بلند، هزینه را به‌شدت پایین می‌آورد.

دسترسی فعلی از راه API پیش‌نمایش و زیرساخت ابری خود میسترال است. این شرکت تأکید کرده که مدل از ابتدا تا انتها در اروپا ساخته و قابل استقرار است؛ نکته‌ای که برای سازمان‌های بانکی، دولتی و صنعتی اروپایی که نگران حاکمیت داده هستند، یک مزیت مهم به شمار می‌رود.

۴. وزن‌های متن‌باز؛ ۲۷ اکتبر

مهم‌ترین بخش خبر برای جامعه‌ی توسعه‌دهندگان این است که وزن‌های مدل قرار است در ۲۷ اکتبر ۲۰۲۶ با قالب‌های FP8 و FP4 و یک مجوز باز منتشر شوند. تا آن زمان، مدل فقط از راه API در دسترس است. قالب FP4 پارامترها را تا حدود چهار بیت برای هر مقدار فشرده می‌کند و بر اساس گزارش‌ها اجرای مدل روی چهار تا هشت پردازنده‌ی گرافیکی Nvidia B200 یا B300 را ممکن می‌سازد.

البته باید واقع‌بین بود. اجرای مدلی با این اندازه برای کاربر عادی یا حتی یک استارتاپ کوچک آسان نیست و به سرور چندکارتی نیاز دارد. با این حال، باز بودن وزن‌ها یعنی شرکت‌ها می‌توانند آن را روی زیرساخت خودشان اجرا کنند، دقیق‌تنظیم کنند و داده‌هایشان را از دست ندهند. اگر می‌خواهید بدانید مدل‌های متن‌باز در عمل چه محدودیت‌هایی دارند، مقاله‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی دید خوبی می‌دهد.

۵. سخت‌افزار آموزش و ادعای کارایی

طبق گزارش‌ها، مدل روی حدود ۴۰۰۰ پردازنده‌ی Nvidia Grace Blackwell در یک مرکز داده‌ی فرانسوی با مصرف تقریبی ۱۰ مگاوات آموزش دیده است. میسترال می‌گوید این میزان سخت‌افزار حدود یک‌سوم تا نصف چیزی است که بسیاری از آزمایشگاه‌های چینی برای مدل‌های هم‌رده استفاده می‌کنند. اگر این ادعا درست باشد، نشان می‌دهد که کارایی در آموزش می‌تواند تا حدی کمبود منابع را جبران کند.

البته این ادعا را باید با احتیاط خواند، چون مقایسه‌ی دقیق سخت‌افزار مصرفی آزمایشگاه‌های مختلف علنی و قابل راستی‌آزمایی نیست. اما روند کلی روشن است: رقابت دیگر فقط بر سر تعداد پردازنده نیست و بهینه‌سازی معماری و داده‌ها نقش تعیین‌کننده‌ای پیدا کرده است.

۶. عملکرد در بنچمارک‌ها؛ برتر در غرب، عقب‌تر از چین

در شاخص هوش Artificial Analysis نسخه‌ی ۴.۳.۲، مدل Mistral Large 4 امتیاز ۳۸ گرفته است؛ امتیازی برابر با GPT-6 Luna و بالاتر از همه‌ی مدل‌های متن‌باز غربی. برای مقایسه، Nemotron 3 Ultra شرکت Nvidia امتیاز ۲۳ و Inkling از Thinking Machines امتیاز ۲۵ دارد. پس در رده‌ی خودش، میسترال فاصله‌ی چشمگیری گرفته است.

اما تصویر کامل این نیست. مدل‌های متن‌باز چینی هنوز جلوتر هستند: MiMo-V2.6-Pro شیائومی با ۴۶، GLM-5.3 شرکت ژی‌پو با ۴۵ و Kimi K3 شرکت مون‌شات با ۴۴ امتیاز. حتی DeepSeek V4.1 Flash با امتیاز ۳۹ اندکی بالاتر از میسترال قرار می‌گیرد. در بالای جدول هم Claude Opus 5.5 با ۵۸ امتیاز در صدر کل شاخص ایستاده است. بنابراین عنوان «بهترین مدل متن‌باز غرب» درست است، ولی به معنی رهبری جهانی نیست. برای مقایسه‌ای از رقابت مدل‌های غربی و چینی می‌توانید مقاله‌ی ChatGPT در برابر DeepSeek را ببینید.

۷. نقاط قوت و ضعف در کاربرد واقعی

میسترال می‌گوید مدل در حوزه‌های امنیت سایبری، مالی و تولید صنعتی نتایج پیشرو دارد. بر اساس گزارش‌ها، در کارهای سنگین اسنادی مثل حقوقی، مالی و تحلیل داده‌های مکانی خوب عمل می‌کند و در «زمین‌گیری بصری» یعنی اتصال پاسخ به یک ناحیه‌ی مشخص از تصویر یا بخشی از سند، توانایی خوبی دارد. این قابلیت برای تحلیل تصاویر ماهواره‌ای و نمودارهای فنی مفید است.

نقطه‌ضعف مهم، کدنویسی عامل‌محور است. در آزمون DeepSWE این مدل از رقبایی مثل GPT-6 Astra، DeepSeek و Kimi K3 عقب‌تر می‌ماند. پس اگر ابزار برنامه‌نویسی خودکار می‌سازید، پیش از جایگزین‌کردن مدل فعلی باید روی کار خودتان تست کنید. نکته‌ی عملی دیگر این است که نوشتن پرامپت دقیق اهمیت زیادی دارد؛ راهنمای نوشتن پرامپت برای مبتدیان برای شروع مناسب است.

۸. این خبر برای کاربران و کسب‌وکارها چه معنایی دارد؟

برای توسعه‌دهندگان، وجود یک مدل متن‌باز قدرتمند با قیمت پایین یعنی گزینه‌ی تازه‌ای برای کاهش وابستگی به چند شرکت بزرگ آمریکایی. برای شرکت‌های اروپایی، گزینه‌ای است که با قوانین حاکمیت داده سازگارتر است. برای بازار ایران و فارسی‌زبانان نیز پشتیبانی از بیش از ۱۶۰ زبان قابل توجه است، هرچند کیفیت واقعی فارسی باید پس از انتشار وزن‌ها آزمایش شود.

از نگاه کسب‌وکار، سه نکته را در نظر بگیرید: اول، هزینه‌ی توکن این مدل پایین است و برای پردازش حجم بالا می‌ارزد؛ دوم، باز بودن وزن‌ها امکان اجرای خصوصی را می‌دهد؛ سوم، محدودیت در کدنویسی یعنی هنوز یک مدل واحد برای همه‌ی کارها پاسخ نمی‌دهد. برای دید بهتر درباره‌ی نقش هوش مصنوعی در کسب‌وکار، اهمیت هوش مصنوعی در کسب‌وکار را بخوانید و برای اخبار تازه‌تر به بخش اخبار هوش مصنوعی سر بزنید.

۹. پرسش‌های متداول

میسترال لارج ۴ چند پارامتر دارد؟

مجموع پارامترها حدود ۱.۰۵ تریلیون است، ولی در پردازش هر توکن فقط ۴۹ میلیارد پارامتر فعال می‌شود.

آیا Mistral Large 4 متن‌باز است؟

وزن‌ها طبق اعلام قرار است ۲۷ اکتبر ۲۰۲۶ با مجوز باز منتشر شوند. تا آن روز فقط از راه API پیش‌نمایش در دسترس است.

قیمت استفاده از آن چقدر است؟

برای هر یک میلیون توکن، ۰.۶۸ دلار ورودی، ۰.۰۷ دلار ورودی کش‌شده و ۲.۰۹ دلار خروجی.

آیا از GPT و Claude قوی‌تر است؟

خیر. امتیاز ۳۸ آن برابر GPT-6 Luna است و Claude Opus 5.5 با ۵۸ امتیاز در صدر شاخص قرار دارد. برتری این مدل فقط در میان مدل‌های متن‌باز غربی است.

برای اجرای محلی چه سخت‌افزاری لازم است؟

قالب FP4 طبق گزارش‌ها به چهار تا هشت پردازنده‌ی B200 یا B300 نیاز دارد؛ یعنی مناسب سرورهای سازمانی است، نه کامپیوتر شخصی.