میسترال لارج ۴ با ۱ تریلیون پارامتر رهبر بنچمارک‌های کد نویسی وزن‌باز شد

میسترال (Mistral) مدل لارج ۴ (Large 4) — با نام‌کد لو چانک (Le Chonk) — را با ۱ تریلیون پارامتر (parameter) و معماری چندوجهی (multimodal) منتشر کرد. تنها در سه هفته پس از پیش‌نمایش عمومی، این مدل در بنچمارک‌های اصلی کد نویسی وزن‌باز (open-weight) به صدر جدول‌ها رسید. این انتشار در ادامه استراتژی میسترال برای شکستن سد مدل‌های بسته است که پیش‌تر در گزارش جداگانه‌ای بررسی کردیم.

پیش‌نمایش و حلقه بازخورد
میسترال در اوایل ماه لارج ۴ را در پیش‌نمایش عمومی عرضه کرد. پاسخ‌ها فراتر از انتظار بود. توسعه‌دهندگان، مشتریان دسترسی‌زودرس و شرکای استراتژیک حمایت، همکاری و بازخورد دادند. میسترال از این بازخوردها در ادامه یادگیری تقویتی (reinforcement learning) استفاده کرد. بهبودها همچنان تسریع می‌یابند و نشتی از اشباع دیده نمی‌شود. مدل از صفر روی زیرساخت‌های اروپایی آموزش دیده و ریشه‌یابی شفاف از آغاز تا انتشار دارد. این پایه‌ای مطمئن برای هوش مصنوعی حاکمیتی (sovereign AI) فراهم می‌کند. میسترال دسته حاکمتی را تعریف و مرز باز را پیش می‌برد. تعهد: ساخت پرقدرت‌ترین مدل‌ها و انتشار باز آن‌ها. این به توسعه‌دهندگان، سازمان‌ها و موسسات قدرت مالکیت، سفارشی‌سازی و کنترل هوش مصنوعی می‌دهد. ساخته‌شده برای سازندگان. این رویکرد حاکمیتی با تحلیل عمیق‌تری درباره چگونگی چالش دادن غول‌های آمریکایی و چینی توسط مدل یک تریلیون پارامتری میسترال هم‌خوانی دارد که در مطلبی دیگر بررسی شده است.

بنچمارک‌های کد نویسی
در شاخص عامل کد نویسی آنالیز مصنوعی (Artificial Analysis Coding Agent Index) میسترال لارج ۴ نمره ۴۸٪ کسب کرد و در عمل با مدل پیشرو وزن‌باز GLM-5.3 هم‌سطح شد — در حالی که به‌میانگین ۴۷٪ توکن (token) کم‌تری برای هر وظیفه مصرف کرد. در بنچمارک خصوصی فرانتیرکد ۲.۰ (FrontierCode 2.0) از کاگنیشن (Cognition) — که می‌سنجد آیا نگهدارنده مخزن تغییرات عامل را ادغام می‌کند و کیفیت کد از ابتدا تا پایان را ارزیابی می‌کند — با نمره ۱۹.۷٪ در صدر قرار گرفت. در ترمینال‌بنچ ۴.۰ (Terminal-Bench 4.0) از پیش‌نمایش تا انتشار ۱۳ نقطه درصدی بهبود یافت و به ۴۷٪ رسید، رهبر وزن‌باز شد و توکن‌های خروجی را ۳۰٪ کاهش داد.

مرز پارتو برای کد نویسی عاملی را پیش می‌برد. میسترال لارج ۴ کارایی مرزی در کد نویسی با توکن‌های بسیار کمتر تحویل می‌دهد. این عامل‌های کد نویسی پیشرفته را برای اجرا در مقیاس بزرگ اقتصادی‌تر می‌سازد.

حالت‌های استدلال
توسعه‌دهندگان اکنون در زمان استنتاج (inference) میان سه حالت انتخاب می‌کنند:

این کنترل ریزدهانه به تیم‌ها اجازه می‌دهد منحنی هزینه-کارایی را برای هر بار کار بهینه کنند، نه یک سربار ثابت را بپذیرند.

تخصص امنیت سایبری
میسترال لارج ۴ در شاخص سایبری آنالیز مصنوعی (Artificial Analysis Cyber Index) نمره ۵۱٪ کسب کرد. این بنچمارک کشف آسیب‌پذیری، بازتولید، اعتبارسنجی و پچ کردن را بدون شکستن کارکرد موجود می‌سنجد. نکته کلیدی: مدل وظایف دفاعی مشروع را بدون انکارهای بی‌دلیل انجام می‌دهد. حفاظ‌های داخلی (guardrails) درخواست‌های سایبری دفاعی را از بدافزارها تفکیک می‌کنند و نرخ انکار ۹۶.۶٪ روی پرامپت‌های تهاجمی ثبت کرده‌اند — بالاترین نرخ اندازه‌گیری‌شده در مدل‌های باز.

ساخته‌شده برای مدافعان. از پیش‌نمایش تا انتشار، میسترال با فروشندگان پیشرو امنیت سایبری برای ارزیابی در محیط‌های واقعی همکاری کرد. تمرکز روی بازتولید آسیب‌پذیری و پچ کردن بود. ایمنی در کنار قابلیت بهبود یافت. مدل عملکرد قوی روی بنچمارک‌های سایبری را حفظ کرد و نرخ انکار ۹۶.۶٪ روی درخواست‌های مخرب را ثبت کرد.

پایش ترافیک زنده و تکامل حفاظ‌ها. از زمان پیش‌نمایش، میسترال استفاده‌های مرتبط با امنیت سایبری در ترافیک زنده را با دقت رصد کرد. مدل در برابر حملات جعبه‌سیاه به اهداف زنده انکار کرد. با این حال، میسترال پتانسیل ارتقا برای انجام حملات واقعی را می‌بیند. حفاظ‌ها در حال اصلاح هستند و در ماه‌های آینده به‌روزرسانی می‌شوند.

گونه تخصصی برای شرکای سازمانی. میسترال به شرکای طراحی سازمانی مانند اورانج سایبردفنس (Orange Cyberdefense) دسترسی پیش‌نمایش به گونه تخصصی لارج ۴ می‌دهد. این گونه برای گردش‌کارهای پیشرفته امنیت سایبری شامل تست نفوذ، ارزیابی آسیب‌پذیری و تیم قرمز (red teaming) بهینه شده. دسترسی خاضع به بررسی سخت و ضمانت‌های قراردادی است. تست‌ها محدود به سیستم‌های مالکیت‌دار یا صراحتاً مجاز در محیط‌های کنترل‌شده می‌مانند.

سفارشی‌سازی برای تیم‌های امنیت. مشتریان میسترال لارج ۴ را با داده‌های امنیتی مالکیتی، سیاست‌ها، منطق تشخیص و محیط‌های تهدید با استفاده از میسترال فورژ (Mistral Forge) سفارشی می‌کنند. برای وظایف امنیتی خوش‌تعریف، مدل می‌تواند به گونه‌های کوچک‌تر و مخصوص وظیفه برای دقت بیشتر تقطیر (distillation) شود، که کاربردهای امنیتی را موثرتر می‌سازد.

اعتبارسنجی ترجیح انسانی
در ارزیابی‌های کور زوجی سرج کد (Surge Code)، میسترال لارج ۴ بر مدل‌های پیشرو وزن‌باز شامل GLM-5.3، کیمی کی۳ (Kimi K3) و دیپسیک وی۴.۱ فلش (DeepSeek V4.1 Flash) ترجیح داده شد و تنها پس از کلاد اوپوس ۵.۵ (Claude Opus 5.5) در میان مدل‌های تست‌شده قرار گرفت. این سیگنال ترجیح انسانی پیشرفت‌های بنچمارک را تقویت می‌کند.

بارهای کاری سازمانی
گردش‌کارهای مالی. برای کارهای مالی، میسترال توانایی مدل در اجرای گردش‌کارهای واقعی را بهبود داد، به‌ویژه موارد شامل ساخت و ویرایش صفحات گسترده (spreadsheet) برای کاربردهای مالی و حسابداری. نمرات فینچ (Finch) به ۷۳.۳٪ رسید، دومین مدل باز پس از کیمی کی۳.

عامل‌های مرور وب. مرور وب بخش حیاتی اکثریت کارهای دانشی است. خط لوله RL میسترال را به ۸۴.۵٪ در براوزکمپ (BrowseComp) رساند، از یک چک‌پوینت SFT که ۷۵٪ می‌گرفت. این لارج ۴ را بالاتر از مدل‌هایی مانند GLM-5.3 یا دیپسیک فلش ۴.۱ می‌رساند.

امنیت عامل. عامل‌های مستقر شده توسط یک سازمان باید امن باشند. چه برای اعضای داخلی استقرار یابند چه کاربران خارجی، عامل‌ها نباید تهدیدهایی مانند استخراج پرامپت سیستمی (system prompt exfiltration) یا تزریق کد مخرب را باز کنند. RL در بنچمارک امنیت عامل B3 (B3 Agent Security Benchmark) سود کرد؛ میسترال لارج ۴ ۹۷.۱٪ حملات را دفع کرد در برابر ۹۳.۳٪ در پیش‌نمایش. این آن را در مرز پیشرو متن‌باز (OSS) قرار می‌دهد، به‌طوری‌که هر کسی مدل را میزبانی کند می‌تواند عامل امنی اجرا کند بدون تنظیم اضافه.

شراکت‌های استراتژیک
لا بانک پستال (La Banque Postale) شراکت بلندمدت را تایید کرد و حاکمیت تکنولوژیک را پیش‌شرط اعتماد مشتری دانست. زکریا مورسلی (Zakaria Moursli)، نائب رئیس اجرایی عملکرد عملیاتی، پرداخت‌ها و خدمات دیجیتال، اظهار کرد: «این سرمایه‌گذاری بزرگ میسترال AI انتخاب لا بانک پستال را بیش از یک سال پیش تقویت می‌کند و مرتبط بودن شراکت استراتژیک بلندمدتی که با هم می‌سازیم را تأکید می‌کند: حمایت از ظهور یک رهبر هوش مصنوعی باز و حاکمتی اروپایی. برای یک بانک عمومی و شهروندمحور، حاکمیت تکنولوژیک اختیاری نیست؛ پیش‌شرط کلیدی حفظ اعتماد مشتریان است. معرفی این مدل باز فرصت‌ها و کاربردهای جدید را باز می‌کند. با شراکت با میسترال AI، آرمان ما ترکیب بهترین تخصص انسانی و تکنولوژی دیجیتال برای ارائه تجربه ارتقا‌یافته مشتریان و کارکنان در بلندمدت است.»

مایکروسافت (Microsoft) اولین ارائه‌دهنده ابری است که میسترال لارج ۴ را از طریق مایکروسافت فاندری (Microsoft Foundry) با گزینه‌های استقرار خصوصی برای توسعه‌دهندگان آژور (Azure) عرضه می‌کند. تینا شوخمن (Tina Schuchman)، نائب رئیس اجرایی فاندری، مایکروسافت، گفت: «مایکروسافت و میسترال AI تعهدی مشترک به گسترش انتخاب مشتری در هوش مصنوعی نسل بعد دارند. به عنوان اولین ارائه‌دهنده ابری که میسترال لارج ۴ را به مشتریان می‌رساند، مایکروسافت جدیدترین مدل وزن‌باز میسترال را از طریق مایکروسافت فاندری، یک پلتفرم هوش مصنوعی سازمانی برای ارزیابی، استقرار و عملیات مدل‌ها در مقیاس، در دسترس می‌سازد. برای سازمان‌هایی که استراتژی‌های هوش مصنوعی حاکمتی پیش می‌برند، این ترکیب انعطاف و کنترل بیشتری بر داده‌ها، زیرساخت و عملیات هوش مصنوعی می‌دهد.»

انویدیا (NVIDIA) کانتینرهای NIM بهینه‌شده برای سرویس‌دهی با vLLM، نیمو اتومدل (NeMo AutoModel) برای سفارشی‌سازی و تنسورآرتی-ال‌ال‌ام (TensorRT-LLM) برای استنتاج با توان عملیاتی بالا (throughput) فراهم می‌کند.

مشاهده در عمل
تریاژ آسیب‌پذیری سایبری: یک عامل گزارش‌های ورودی آسیب‌پذیری را می‌خواند، کد منبع و بستر محصول را بررسی می‌کند، ایرادات را در یک سندباکس (sandbox) جداسازی‌شده بازتولید می‌کند، سپس پچ می‌نویسد و تکرار می‌کند تا یک اکسپلویت (exploit) کیناری (canary) دیگر کار نکند.

وب‌توسعه عاملی: بدون کمک انسانی، میسترال لارج ۴ آربیتال تریس (Orbital Trace) را می‌سازد — یک نقشه سه‌بعدی زنده از حدود ۱۹،۰۰۰ ماهواره و قطعات فضایی در مدار زمین. داده‌های ردیابی واقعی را می‌کشد، اپلیکیشن را می‌نویسد، در مرورگر از آن استفاده می‌کند تا باگ‌ها و کندی‌های خودش را بگیرد، سپس مواردی که یک بازبین مستقل پرچم می‌دارد را تا گذراندن تمام الزامات رفع می‌کند.

حل‌کننده شیمی کوانتومی: میسترال لارج ۴ از صفر نرم‌افزاری می‌نویسد که محاسبه می‌کند الکترون‌ها در یک مولکول کجا نشسته‌اند، و جواب‌ها را با یک ابزار شیمی استاندارد چک می‌کند. سپس یک صفحه سه‌بعدی دورش می‌سازد: یک مولکول مثل بنزن یا آب را انتخاب کنید، یک نوار لغزنده را بکشید تا جدا شود، و ببینید الکترون‌ها چگونه در لحظه شکست پیوند بازسازماندهی می‌شوند.

حاکمیت و کنترل استقرار
ساخته‌شده برای حاکمیت. همان‌طور که سازمان‌ها هوش مصنوعی را دور دانش و گردش‌کارهای خود می‌سازند، حاکمیت به معنای حفظ کنترل روی مدل‌هایی است که به آن‌ها وابسته‌اند و هوشی که می‌سازند. با میسترال لارج ۴، این کنترل از خود مدل آغاز می‌شود. سازمان‌ها توانایی بازبینی، سفارشی‌سازی و استقرار مدل روی زیرساخت‌های خود را دارند. می‌توانند از لارج ۴ استفاده و بهبود دهند بدون وابستگی به میسترال برای سرویس‌دهی از طریق API. لارج ۴ در اروپا توسعه و آموزش دیده، به سازمان‌ها شفافیت ریشه‌های تکنولوژی که روی آن می‌سازند می‌دهد.

کنترل به نحوه عملکرد هوش مصنوعی درونی سازمان هم می‌رسد. سازمان‌ها می‌توانند لارج ۴ را با داده‌های مالکیتی در میسترال فورژ سفارشی کنند، و عامل‌ها و اپلیکیشن‌های حاصل را با میسترال استودیو (Mistral Studio) بسازند، حکمرانی و بهبود دهند. کارشناسان کاربردی میسترال می‌توانند در کنار تیم‌های مشتری برای ساخت و استقرار این سیستم‌های سفارشی کار کنند. از طریق این کار، تیم‌ها معماری و تصمیم‌های پشت آنچه ساخته‌اند، به همراه روش‌های آموزش و عملیات را درک می‌کنند، تا بتوانند هوش مصنوعی خود را مستقل اجرا و بهبود دهند.

حاکمیت همیشه نیازی به میزبانی شخصی (self-hosting) ندارد؛ گاهی فقط استقرارهایی است که نیازهای کنترل شما را برآورده کنند. برای سازمان‌هایی که سرویس مدیریت‌شده ترجیح می‌دهند، میسترال لارج ۴ از طریق مایکروسافت فاندری با گزینه‌های استقرار خصوصی برای توسعه‌دهندگان آژور در دسترس است.

خط لوله سفارشی‌سازی و استقرار
سازمان‌ها می‌توانند مدل را با داده‌های مالکیتی در میسترال فورژ تنظیم کنند، سپس عامل‌های حاصل را از طریق میسترال استودیو حکمرانی و بهبود دهند. برای وظایف امنیتی خوش‌تعریف، مدل می‌تواند به گونه‌های کوچک‌تر و مخصوص وظیفه برای دقت بیشتر تقطیر شود. شرکای طراحی سازمانی مانند اورانج سایبردفنس دسترسی پیش‌نمایش به گونه تخصصی برای تست نفوذ و تیم قرمز تحت بررسی سخت و ضمانت‌های قراردادی دریافت می‌کنند.

گزینه‌های استقرار اضافی:

• وایب کد (Vibe Code): مدل جدید را امتحان کنید؛ یک قابلیت برای ساخت یا یک باگ برای رفع در مخزن خود به آن بدهید
• نقطه‌های پایانی میزبانی‌شده انویدیا: کانتینر NIM بهینه‌شده انویدیا برای سرویس‌دهی با vLLM
• کتابخانه نیمو اتومدل: سفارشی‌سازی متن‌باز
• کتابخانه تنسورآرتی-ال‌ال‌ام: سرویس‌دهی با توان عملیاتی بالا متن‌باز

مجوز و قیمت‌گذاری
مدل تحت مجوز اکوسیستم وزن‌باز میسترال (Mistral Ecosystem Open-Weight License)، یک مجوز MIT اصلاح‌شده منتشر شده. استفاده، تغییر، تنظیم دقیق (fine-tuning) و تجاری‌سازی رایگان است با یک شرط: کسب‌وکارهایی که سرویس مدل به‌عنوان سرویس (Model-as-a-Service) ارائه می‌دهند باید قبل از استفاده تجاری مجوز تجاری جداگانه از میسترال بگیرند.

قیمت API از ۰.۷۰ دلار برای هر میلیون توکن ورودی، ۰.۰۷ دلار برای هر میلیون توکن ورودی کش‌شده (cached) و ۲.۱۰ دلار برای هر میلیون توکن خروجی آغاز می‌شود.

دسترسی
توسعه‌دهندگان می‌توانند مدل را در میسترال استودیو، از طریق API میسترال یا روی اوپن‌راوتر (OpenRouter) امتحان کنند. وزن‌های باز از هاگینگ فیس (Hugging Face) برای استقرار میزبانی‌شده شخصی با vLLM یا SGLang قابل دانلود هستند. کارت مدل (model card) و مجوز مستندات کامل را فراهم می‌کنند.

چه چیزی در انتظار است
میسترال لارج ۴ پایه نسل جدیدی از مدل‌های تخصصی و بهینه‌شده میسترال خواهد بود. با تکیه بر انتشارهای اخیر مانند وکسترال (Voxtral) و تایمسترال (Timestral)، میسترال مرز هوش مصنوعی وزن‌باز را گسترش می‌دهد و توسعه‌دهندگان و سازمان‌ها را با آزادی بیشتر برای ساخت، سفارشی‌سازی و مالکیت هوش خود مجهز می‌کند.

پیشرفت‌های بنچمارک واقعی هستند، اما تغییر عمیق‌تر معماری است. میسترال نشان داد که یک مدل ۱ تریلیون پارامتری می‌تواند همزمان در کد نویسی، امنیت سایبری و کارایی استدلال عمومی پیشتاز باشد — حوزه‌هایی که معمولاً مدل‌های تخصصی جداگانه می‌طلبد. سه حالت استدلال این چندوجهی‌گی را به یک اهرم اقتصادی تبدیل می‌کند: تیم‌ها دیگر نیازی ندارند میان مدل ارزان و مدل هوشمند انتخاب کنند؛ آن‌ها برای هر درخواست انتخاب می‌کنند.

ادعاهای حاکمیت در استقرار آزمون می‌شوند. وزن‌های آموزش‌دیده اروپایی و استقرار میزبانی‌شده شخصی کادرهای تنظیمی را پر می‌کنند، اما آزمون عملی این است که آیا سازمان‌ها می‌توانند این مدل‌ها را در مقیاس بزرگ بدون پشتیبانی مداوم میسترال اجرا کنند. خط لوله فورژ-استودیو و یکپارچه‌سازی فاندری مایکروسافت این شکاف را پر می‌کنند، با این حال استعداد مورد نیاز برای سفارشی‌سازی و حکمرانی مدل‌های ۱ تریلیون پارامتری همچنان نادر است.

موج اول گونه‌های تخصصی مشتق — به‌ویژه گونه سایبری در محیط‌های تیم قرمز کنترل‌شده — و بنچمارک‌های جامعه که اقتصاد توکن حالت‌های استدلال را در حلقه‌های عامل تولید (production agent loops) تحت فشار می‌گذارند را رصد کنید. کارت مدل در هاگینگ فیس و زمین بازی میسترال استودیو محطه‌های فوری بعدی برای ارزیابی هستند.

گام بعدی شما

• مدل را در میسترال استودیو یا اوپن‌راوتر برای کارهای کد نویسی روزمره تست کنید و مصرف توکن در حالت‌های مختلف استدلال را مقایسه کنید
• اگر تیم امنیتی دارید، کارت مدل در هاگینگ فیس و مستندات فورژ را برای امکان تقطیر به گونه‌های مخصوص وظیفه بررسی کنید
• برای استقرار سازمانی، گزینه‌های فاندری مایکروسافت و کانتینرهای NIM انویدیا را به‌منظور کنترل داده و حاکمیت ارزیابی کنید