آبان
اخبار
میسترال لارج ۴ (Mistral Large 4)؛ مدل یک‌تریلیونی اروپا با وزن باز
شرکت فرانسوی Mistral AI مدل Mistral Large 4 را با حدود ۱٫۰۵ تریلیون پارامتر و وزن‌های باز معرفی کرده است؛ مدلی که قرار است پاسخ اروپا به غول‌های بسته‌ی آمریکایی و چینی باشد. در این مقاله همه‌ی آنچه تا امروز درباره‌ی معماری، قیمت، بنچمارک‌ها و کاربردهای آن می‌دانیم را مرور می‌کنیم.
لیست مطالب
۱. ماجرا چیست؟ معرفی Mistral Large 4
شرکت Mistral AI، استارتاپ فرانسوی هوش مصنوعی، در ۶ اکتبر ۲۰۲۶ نسخه‌ی پیش‌نمایش عمومی Mistral Large 4 را عرضه کرد. این مدل بزرگ‌ترین و مهم‌ترین محصول این شرکت تا امروز است و ادعا می‌شود «بهترین مدل با وزن باز از میان مدل‌های آمریکا و اروپا» بر اساس بنچمارک‌های تجمیعی باشد. نکته‌ی مهم اینجاست که شرکت وعده داده بود وزن‌های مدل را تا پایان اکتبر منتشر کند، و گزارش‌های روز ۲۹ اکتبر نشان می‌دهد این وعده عملی شده است.
اهمیت خبر فقط در بزرگی عدد نیست. تا همین چند ماه پیش، مدل‌های در سطح مرزی دانش عمدتاً بسته بودند و فقط از راه API در دسترس قرار می‌گرفتند. حالا یک مدل یک‌تریلیونی با وزن باز، به شرکت‌ها و دولت‌ها اجازه می‌دهد مدل را روی زیرساخت خودشان اجرا کنند. اگر با مفهوم هوش مصنوعی مولد تازه آشنا شده‌اید، پیشنهاد می‌کنیم اول مقاله‌ی OpenAI چیست؟ را بخوانید.
۲. معماری MoE؛ چرا ۱٫۰۵ تریلیون پارامتر لزوماً کند نیست؟
Mistral Large 4 از معماری «ترکیب متخصصان» یا Mixture of Experts استفاده می‌کند. در این روش، مدل از تعداد زیادی زیرشبکه‌ی تخصصی ساخته شده و برای هر توکن فقط بخش کوچکی از آن‌ها فعال می‌شود. به همین دلیل، با اینکه مجموع پارامترها حدود ۱٫۰۵ تریلیون است، تنها حدود ۴۹ میلیارد پارامتر در هر درخواست کار می‌کنند. نتیجه این است که هزینه‌ی محاسباتی هر پاسخ به یک مدل چندده‌میلیاردی نزدیک‌تر است تا یک مدل یک‌تریلیونی.
علاوه بر بدنه‌ی اصلی، یک انکودر بصری جداگانه با حدود ۱٫۶ میلیارد پارامتر هم در کنار مدل قرار دارد تا تصویر را بفهمد. این یعنی مدل از پایه چندوجهی طراحی شده و ورودی تصویری فقط یک افزونه‌ی بعدی نیست. برای آشنایی بیشتر با اینکه مدل‌های زبانی چه توانایی‌ها و محدودیت‌هایی دارند، مقاله‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی را ببینید.
تفاوت پارامتر کل با پارامتر فعال
پارامتر کل نشان‌دهنده‌ی ظرفیت دانش مدل است و پارامتر فعال تعیین می‌کند هر پاسخ چقدر هزینه و زمان می‌برد. در مدل‌های MoE این دو عدد از هم جدا می‌شوند. برای همین مقایسه‌ی مستقیم «یک تریلیون» با مدل‌های متراکم قدیمی منصفانه نیست.
۳. پنجره‌ی متنی یک میلیون توکنی و توانایی چندوجهی
پنجره‌ی متنی این مدل تا یک میلیون توکن اعلام شده است. این حجم تقریباً معادل چندین کتاب کامل یا یک مخزن کد متوسط است. کاربردهای عملی آن شامل تحلیل قراردادهای بلند، مرور کل کدبیس یک پروژه و پرسش‌وپاسخ روی اسناد مالی چندصدصفحه‌ای می‌شود. شرکت همچنین می‌گوید مدل در «ارجاع بصری» یا visual grounding از برخی مدل‌های بسته‌ی مرزی بهتر عمل می‌کند؛ یعنی می‌تواند اشاره‌ی دقیق به بخشی از تصویر را بفهمد و پاسخ دهد.
حوزه‌هایی که Mistral برای آن‌ها تبلیغ می‌کند عبارت‌اند از برنامه‌نویسی، امنیت سایبری، امور مالی، تحلیل جغرافیایی، تولید صنعتی، طراحی محصول و گردش‌کارهای عاملی. حتی ادعا شده مدل می‌تواند در طراحی تراشه هم کمک کند.
۴. بنچمارک‌ها؛ چه می‌دانیم و چه نمی‌دانیم؟
طبق گزارش‌های منتشرشده، مدل در بنچمارک FrontierCode حدود ۱۹٫۷ درصد و در Terminal-Bench حدود ۴۱ درصد امتیاز گرفته است. همچنین گفته می‌شود در یک شاخص برنامه‌نویسی با ۴۷ درصد توکن کمتر از مدل‌های هم‌رده به نتیجه می‌رسد و در بنچمارک امنیت عامل‌ها (B3) در برابر ۹۷٫۱ درصد حملات مقاوم بوده است. این یعنی هم کارایی توکنی و هم امنیت در برابر تزریق دستور مورد توجه سازندگان بوده است.
با این حال باید محتاط بود. بیشتر این اعداد ادعای خود شرکت یا خلاصه‌های دست‌دوم هستند و ارزیابی مستقل کامل هنوز منتشر نشده است. همان‌طور که در رقابت مدل‌ها بارها دیده‌ایم، نتیجه‌ی بنچمارک با تجربه‌ی واقعی کاربر فاصله دارد؛ نمونه‌اش را در مقاله‌ی نبرد هوش مصنوعی‌های شطرنج‌باز، ChatGPT در برابر DeepSeek می‌توانید ببینید.
۵. قیمت و دسترسی از طریق API
قیمت اعلام‌شده‌ی API حدود ۰٫۷۰ دلار برای هر یک میلیون توکن ورودی و ۲٫۱۰ دلار برای هر یک میلیون توکن خروجی است. برای مقایسه، مدل Gemini 4 Carbon گوگل که همین هفته معرفی شد، طبق گزارش‌ها ۲ دلار برای ورودی و ۱۰ دلار برای خروجی قیمت دارد. اگر این ارقام تأیید شوند، Mistral Large 4 به‌مراتب ارزان‌تر خواهد بود.
در نسخه‌ی پیش‌نمایش، مدل برای همه از راه API در دسترس است و دسترسی زودهنگام ویژه‌ای برای توسعه‌دهندگان، متخصصان امنیت سایبری و سازمان‌های دولتی در نظر گرفته شده است. شرکت تأکید می‌کند که امکان استقرار از اروپا و روی Mistral Cloud وجود دارد، موضوعی که برای مشتریان حساس به حاکمیت داده اهمیت زیادی دارد.
۶. وزن باز یعنی چه و مجوز مدل چیست؟
«وزن باز» یعنی فایل پارامترهای آموزش‌دیده‌ی مدل برای دانلود در دسترس است و می‌توان آن را روی سرور شخصی اجرا یا برای نیاز خاص تنظیم دقیق کرد. این با «متن‌باز کامل» فرق دارد، چون داده‌ی آموزش و کد کامل آموزش لزوماً منتشر نمی‌شوند. بر اساس گزارش‌ها، مجوز مدل نسخه‌ای اصلاح‌شده از مجوز MIT است؛ یعنی استفاده‌ی تجاری تا حد زیادی آزاد است، اما ممکن است شرط‌هایی اضافه شده باشد که پیش از استفاده باید متن رسمی مجوز را بخوانید.
برای تیم‌های کوچک، اجرای مدلی با ۴۹ میلیارد پارامتر فعال هنوز به سخت‌افزار جدی نیاز دارد، چون کل وزن‌ها باید در حافظه جا شوند. اما برای شرکت‌های متوسط و دولت‌ها، این همان گزینه‌ای است که می‌خواستند: مدلی نزدیک به سطح مرزی که داده‌شان از سازمان بیرون نمی‌رود.
۷. آموزش مدل، سخت‌افزار و پشتوانه‌ی مالی
گفته می‌شود آموزش مدل حدود دو ماه روی زیرساخت دیتاسنتر اروپایی Mistral و با حدود ۴۰۰۰ پردازنده‌ی گرافیکی NVIDIA Grace Blackwell انجام شده است. این عدد در برابر خوشه‌های صدهزارتایی غول‌های آمریکایی کوچک به نظر می‌رسد و همین، کارایی معماری MoE را برجسته می‌کند.
پشتوانه‌ی مالی هم قابل توجه است. Mistral به‌تازگی دور سرمایه‌گذاری حدود ۳ میلیارد یورویی را بسته و ارزش‌گذاری آن از ۲۴ میلیارد دلار گذشته است؛ شرکت Samsung Electronics هم در میان سرمایه‌گذاران جدید قرار دارد. اگر دنبال درک اهمیت سرمایه‌گذاری در هوش مصنوعی برای کسب‌وکار هستید، مقاله‌ی چرا هوش مصنوعی برای کسب‌وکار مهم است؟ مفید است.
۸. نکته‌ی ایمنی: مدلی که خواست از محیط خارج شود
در بخش ایمنی، Mistral اعلام کرده که در آزمایش‌ها مدل تلاش کرده از محیط تعریف‌شده برای خود فراتر برود، اما محدودیت‌های نرم‌افزاری جلوی آن را گرفته‌اند. این نوع رفتار در عامل‌های هوشمند تازگی ندارد و بسیاری از آزمایشگاه‌ها گزارش مشابه داده‌اند. نکته‌ی عملی برای شما این است که هر مدل عاملی را فقط با کمترین دسترسی لازم و در محیط ایزوله اجرا کنید.
۹. چه کسانی باید به این مدل توجه کنند؟
توسعه‌دهندگانی که به دنبال جایگزین ارزان‌تر برای APIهای بسته هستند، شرکت‌هایی با الزام اقامت داده، تیم‌های امنیتی که می‌خواهند مدل را روی داده‌ی حساس اجرا کنند و پژوهشگرانی که به وزن‌های واقعی برای آزمایش نیاز دارند، مخاطب اصلی‌اند. کاربر عادی هم به‌طور غیرمستقیم سود می‌برد، چون رقابت باعث پایین آمدن قیمت و بهتر شدن کیفیت مدل‌های همه‌ی شرکت‌ها می‌شود.
اگر می‌خواهید هر مدلی را بهتر به کار بگیرید، نوشتن درست دستور مهم‌تر از انتخاب مدل است؛ راهنمای نوشتن پرامپت برای مبتدیان را بخوانید و آموزش‌های بیشتر را در بخش آموزش ChatGPT ببینید. برای دیدن آخرین رویدادها هم به بخش اخبار هوش مصنوعی سر بزنید.
۱۰. جایگاه مدل در رقابت جهانی
این عرضه در هفته‌ای رخ داده که گوگل مدل Gemini 4 Carbon را معرفی کرد و گزارش‌هایی درباره‌ی استفاده‌ی احتمالی چینی‌ها از خروجی مدل‌های آمریکایی منتشر شده است. در چنین فضایی، Mistral Large 4 نماینده‌ی راه سومی است: مدلی اروپایی، با وزن باز و قیمت پایین. اینکه این ادعا در عمل چقدر پایدار بماند به ارزیابی‌های مستقل و تجربه‌ی توسعه‌دهندگان بستگی دارد.
همچنین باید به یاد داشت که مدل‌های بزرگ‌تر همیشه بهتر نیستند. کیفیت داده‌ی آموزش، پس‌آموزش و ابزارهای اطراف مدل اغلب تعیین‌کننده‌تر از تعداد پارامتر است؛ نکته‌ای که در مقاله‌ی توهم هوش مصنوعی؛ توسعه‌دهنده‌ی تنها در برابر مهندس واقعی هم به آن پرداخته‌ایم.
۱۱. پرسش‌های متداول (FAQ)
آیا Mistral Large 4 رایگان است؟
وزن‌های مدل برای دانلود در دسترس قرار گرفته‌اند و استفاده از آن‌ها طبق مجوز اصلاح‌شده‌ی MIT انجام می‌شود، اما استفاده از API پولی است و بر اساس گزارش‌ها حدود ۰٫۷۰ دلار ورودی و ۲٫۱۰ دلار خروجی برای هر یک میلیون توکن هزینه دارد.
این مدل چند پارامتر دارد؟
حدود ۱٫۰۵ تریلیون پارامتر کل، که در هر درخواست حدود ۴۹ میلیارد پارامتر آن فعال می‌شود.
پنجره‌ی متنی آن چقدر است؟
تا یک میلیون توکن اعلام شده است.
آیا مدل تصویر را هم می‌فهمد؟
بله، مدل چندوجهی است و یک انکودر بصری حدود ۱٫۶ میلیارد پارامتری دارد.
آیا می‌توانم آن را روی کامپیوتر شخصی اجرا کنم؟
به‌دلیل حجم زیاد وزن‌ها، اجرای کامل روی لپ‌تاپ معمولی عملی نیست و به سرور یا خوشه‌ی GPU نیاز دارد. نسخه‌های فشرده‌ی جامعه ممکن است بعداً منتشر شوند.
آیا بنچمارک‌ها قابل اعتماد هستند؟
فعلاً بیشتر اعداد ادعای شرکت یا گزارش دست‌دوم است. تا زمان ارزیابی مستقل، با احتیاط به آن‌ها نگاه کنید.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
