В мире больших языковых моделей (LLM) тишина часто предвещает бурю. После длительного периода, когда многие наблюдатели считали компанию Mistral ушедшей в тень перед лицом агрессивного доминирования DeepSeek и OpenAI, французские разработчики наконец вернулись в игру. 6 октября 2026 года Mistral анонсировала превью своей новой флагманской модели — Mistral Large 4. Это не просто очередное обновление; это заявка на возвращение в элиту «frontier»-моделей, тех, что определяют технологический ландшафт на ближайшие полгода-год.
Новинка поражает своими масштабами: архитектура модели насчитывает 1 триллион параметров, из которых в каждом вычислительном шаге активно используются 49 миллиардов. Такая гибридная структура позволяет обрабатывать сложные задачи с высокой эффективностью, не жертвуя производительностью. Обучение происходило на собственном кластере Mistral, состоящем из 3800 графических процессоров NVIDIA Grace Blackwell. Это важный момент: использование собственного железа дает компании полный контроль над оптимизацией и стоимостью инференса, что в долгосрочной перспективе может стать ключевым конкурентным преимуществом.
На данный момент модель доступна в формате превью через API Mistral. Ожидается, что полные веса (open weights) будут опубликованы в конце текущего месяца, что позволит сообществу исследователей и энтузиастов запустить модель локально. Но даже в текущем виде Mistral Large 4 демонстрирует впечатляющие результаты, особенно в задачах, требующих глубокого логического мышления.
01Архитектура и инфраструктура: сила собственного кластера
Одной из самых интересных особенностей Mistral Large 4 является не только количество параметров, но и способ их обработки. Модель использует архитектуру с активными параметрами (active parameters). В то время как общее число параметров составляет 1 триллион, в каждый момент времени активны лишь 49 миллиардов. Это достигается за счет механизмов смешивания экспертов (Mixture of Experts, MoE), которые динамически выбирают наиболее релевантные части нейронной сети для конкретной задачи.
Такой подход позволяет модели быть «умной» без необходимости пропускать через все вычислительные ядра каждый токен. Это критически важно для снижения задержек (latency) и стоимости запросов. Обучение на кластере из 3800 GPU NVIDIA Grace Blackwell также говорит о серьезности намерений Mistral. Grace Blackwell — это новейшая архитектура от NVIDIA, оптимизированная для работы с большими моделями и эффективного использования памяти. Использование собственного кластера означает, что Mistral не зависит от сторонних облачных провайдеров в части обучения, что снижает риски и позволяет тонко настраивать процесс под специфику своих моделей.
02Режимы рассуждения: «None» против «High»
Одной из ключевых фишек Mistral Large 4 является поддержка двух уровней рассуждения (reasoning levels): «none» и «high». Это не просто переключатель «вкл/выкл», а фундаментальное изменение того, как модель подходит к решению задачи.
В режиме «none» модель отвечает быстро, используя стандартные паттерны генерации текста. Это подходит для творческих задач, суммаризации или простых вопросов. Однако в режиме «high» модель запускает процесс внутреннего диалога, анализируя запрос, строя гипотезы и проверяя их перед тем, как сформулировать окончательный ответ. Это аналогично тому, как человек «думает вслух» перед сложным решением.
Интересно, что режим «high» оказался более эффективным с точки зрения использования ресурсов. В тестовом примере с генерацией изображения пеликана (pelican) режим «high» использовал всего 2 717 выходных токенов, в то время как режим «none» потребовал 3 275 токенов. При этом визуальный результат в режиме «high» был значительно лучше. Это опровергает распространенное заблуждение, что глубокое рассуждение всегда требует больше ресурсов. Напротив, структурированное мышление помогает модели избегать ошибок и повторных попыток, экономя токены в долгосрочной перспективе.
03Сравнение с конкурентами: место в таблице лидеров
Чтобы оценить место Mistral Large 4 в текущем ландшафте, обратимся к данным платформы Artificial Analysis (AA). На момент публикации статьи модель получила оценку 38 баллов. Это ставит ее сразу за DeepSeek 4.1 Flash, которая набрала чуть больше, несмотря на то, что является моделью с 552 миллиардами параметров.
Сравнение с предыдущей версией, Mistral Large 3, выпущенной в декабре прошлого года, показывает колоссальный прогресс. Mistral Large 3 получила всего 9 баллов на AA и, что характерно, сгенерировала «ужасного пеликана» в тестовых заданиях. Mistral Large 4 не только превзошла этот результат в 4 раза, но и вернула компании репутацию серьезного игрока. Теперь Mistral находится примерно в 6 месяцах от технологического фронта (frontier), что является отличным результатом для компании, которая ранее считалась отстающей.
04Почему это важно для разработчиков в России?
Для российских разработчиков и компаний, работающих с ИИ, выход Mistral Large 4 имеет несколько практических аспектов. Во-первых, доступ к API Mistral остается возможным, хотя и требует внимания к вопросам комплаенса и оплаты. Во-вторых, анонсированная публикация open weights в конце месяца открывает возможности для локального запуска.
Запуск модели с 1 триллионом параметров локально — задача нетривиальная. Однако использование архитектуры с 49 миллиардами активных параметров делает инференс более реалистичным. Для этого потребуется сервер с большим объемом видеопамяти (VRAM). Например, для квантованной версии модели (например, в формате GGUF с квантованием Q4_K_M) может потребоваться около 60-80 ГБ VRAM, что доступно на современных серверных GPU, таких как NVIDIA A100 или H100, или даже на нескольких мощных потребительских картах, объединенных в кластер.
Локальный запуск Mistral Large 4 позволит компаниям обрабатывать конфиденциальные данные без отправки их в облако, что критически важно для финансового сектора, госсектора и медицинских учреждений. Кроме того, это дает возможность тонкой настройки (fine-tuning) модели под специфические задачи отрасли.
05Тест на «пеликанах»: как оценивать качество?
В сообществе ИИ-энтузиастов сложилась традиция использовать генерацию изображений пеликанов (pelicans) как простой, но эффективный тест на способность модели следовать сложным инструкциям и понимать контекст. Пеликаны — птицы с довольно специфической анатомией, и их корректная генерация требует от модели понимания деталей.
В случае с Mistral Large 3, тест провалился: модель сгенерировала искаженное изображение, что коррелировало с низкой оценкой 9 баллов. Mistral Large 4, напротив, справилась с задачей. Режим «high» не только улучшил визуальное качество, но и сократил количество токенов. Это говорит о том, что режим рассуждения помогает модели лучше планировать свои действия, избегая хаотичной генерации.
Хотя тесты с пеликанами кажутся шуточными, они отражают реальную способность модели к точному следованию инструкциям (instruction following). В бизнес-задачах это означает, что Mistral Large 4 лучше понимает сложные запросы пользователей, такие как «создай отчет, используя данные из таблицы X, но исключи аномалии, и оформи его в стиле Y».
06Что это значит на практике
Возвращение Mistral Large 4 меняет динамику рынка. Раньше разработчики могли выбирать между дорогими лидерами (OpenAI, Anthropic) и более дешевыми, но менее точными альтернативами. Теперь у них есть третий вариант: модель, которая находится в шаге от лидера, но, вероятно, будет стоить дешевле благодаря оптимизации на собственном кластере.
Для бизнеса это означает возможность внедрения ИИ в более сложные сценарии, такие как анализ юридических документов, код-ревью сложных систем или генерация контента с высокой степенью детализации. Режим «high» особенно полезен там, где важна точность, а не скорость.
Также стоит ожидать, что в ближайшие месяцы мы увидим усиление конкуренции. DeepSeek и OpenAI, вероятно, выпустят свои обновления, чтобы удержать лидерство. Для пользователей это хорошо: конкуренция ведет к снижению цен и улучшению качества моделей.
Рекомендуем следить за публикацией open weights в конце месяца. Если вы работаете с конфиденциальными данными, локальный запуск Mistral Large 4 может стать отличным решением. А пока что можно экспериментировать с API, используя режим «high» для задач, требующих глубокого анализа.
В заключение, Mistral Large 4 — это не просто еще одна модель. Это сигнал о том, что европейские разработчики готовы конкурировать с американскими и китайскими гигантами. И, судя по результатам тестов, у них есть все шансы это сделать.
Источник: Simon Willison ↗