مدل ML4 رونمایی شد؛ هوش مصنوعی یک‌ تریلیون پارامتری اروپا

میسترال از مدل یک‌ تریلیون پارامتری Mistral Large 4 رونمایی کرد؛ مدل چندوجهی نوینی که قصد دارد با مصرف بهینه‌ی منابع از رقبا پیشی بگیرد.

رقابت سنگین میان هوش مصنوعی متن‌باز و مدل‌های انحصاری غول‌های فناوری به نقطه‌ی حساسی رسیده است و اروپا قصد عقب‌نشینی ندارد. استارتاپ فرانسوی میسترال از مدل چندوجهی جدید خود با عنوان Mistral Large 4 (به‌اختصار ML4) رونمایی کرد؛ مدلی با یک‌ تریلیون پارامتر که با نام مستعار Le Chonk شناخته می‌شود و هدف آن عبور هم‌زمان از مدل‌های بسته‌ی آمریکایی و محصولات متن‌باز چینی است.

فرانسه این دستاورد را نمادی از «راه سوم در هوش مصنوعی» قلمداد می‌کند، تعبیری که امانوئل مکرون، رئیس‌جمهور فرانسه، برای تعریف جایگاه مستقل اروپا در این عرصه به کار برده بود. دسترسی به مدل در حال حاضر صرفا از طریق یک درگاه عمومی تحت نظارت امنیتی امکان‌پذیر است، اما طبق برنامه‌ریزی‌ها، وزن‌های مدل پس از اتمام تست‌های ایمنی تا سه هفته‌ی دیگر به‌صورت عمومی منتشر خواهند شد.

بر اساس گفته‌ی میسترال، آموزش مدل از پایه روی ۳٬۸۰۰ پردازنده‌ی گرافیکی Grace Blackwell در دیتاسنترهای اختصاصی اروپا انجام گرفته است. توسعه‌دهندگان درحال‌حاضر می‌توانند از طریق رابط برنامه‌نویسی Mistral Studio به پیش‌نمایش مدل دسترسی داشته باشند.

داده‌های آموزشی مدل تنوع زبانی گسترده‌ای را پوشش می‌دهند و بیش از ۱۶۰ زبان زنده، از جمله تمام زبان‌های رسمی اتحادیه‌ی اروپا، در یادگیری آن نقش داشته‌اند.

توانمندی پردازشی ML4 در شاخص امنیت سایبری Artificial Analysis Cyber Index نتایج کم‌نظیری ثبت کرد و توانست میان پنج مدل برتر جهان جای بگیرد. سامانه‌ی مورد بحث در آزمون بازتولید و رفع آسیب‌پذیری‌های نرم‌افزاری واقعی به امتیاز ۸۲ درصد دست یافت که بالاترین عدد در میان تمام مدل‌های ارزیابی‌شده به‌شمار می‌رود.

در چالش‌های تخصصی Cybench موفقیت ۹۳ درصدی به ثبت رسید که مزیتی چشمگیر نسبت به مدل‌های بسته مانند Claude Opus 5.5 یا GPT-6 Astra ایجاد می‌کند؛ مدل‌هایی که معمولا به‌دلیل فیلترهای سخت‌گیرانه از اجرای تسک‌های بازرسی امنیتی سرباز می‌زنند.

میسترال این موارد را هم در بیانیه‌ی جدیدش برجسته کرده است: مقاومت ۹۳٫۳ درصدی در برابر حملات تزریق پرامپت براساس بنچمارک امنیتی Lakera B3، کسب امتیاز ۱٫۶۹۱ از ۲ در ارزیابی مسئولیت‌پذیری اخلاقی و استانداردهای KORA و پوشش جامع سناریوهای مهندسی معکوس بدافزار و اولویت‌بندی آسیب‌پذیری‌های پیچیده.

توسعه‌دهندگان در سناریوهای مهندسی نرم‌افزار و مدیریت مخازن کد، شاهد عملکرد درخشان این غول محاسباتی هستند. مدل توانسته در آزمون DeepSWE v1.1 به امتیاز ۶۱٫۷ درصد، در SWE-Atlas-QnA به ۵۹٫۴ درصد و در ارزیابی جامع Terminal-Bench 4 به ۲۸٫۳ درصد برسد.

میانگین شاخص کدنویسی عامل‌محور برای ML4 عدد ۴۹٫۸ درصد را نشان می‌دهد که آن را بالاتر از رقبایی همچون DeepSeek V4 Pro 0813 و Qwen3.8 Max قرار می‌دهد.

ارزیابی‌های انسانی انجام‌شده توسط Surge AI نیز کیفیت برتر خروجی‌ها را تأیید می‌کنند. متخصصان بدون اطلاع از نام سامانه‌ها به کیفیت کدها امتیاز دادند که در نهایت ML4 با نمره‌ی ۳٫۷۴ از ۵ پس از Claude Opus 5 جایگاه دوم را کسب کرد و از رقبایی مانند Kimi K3 و GLM-5.3 پیشی گرفت. مدل در پلتفرم ارزیابی AutomationBench با اتوماسیون ۶۵۷ جریان کاری مختلف در نرم‌افزارهای تجاری به امتیاز ۵۹٫۹ درصد دست پیدا کرد.

قدرت درک بصری مدل در صنایع مهندسی، تولید و نقشه‌برداری کاربردهای گسترده‌ای خواهد داشت. پردازش تصاویر ماهواره‌ای بسیار حجیم، بررسی نقشه‌های مکانیکی CAD و استخراج مدارک از اسناد حجیم بخشی از قابلیت‌های تعبیه‌شده هستند. در بنچمارک بصری Dense 200، این مدل با ثبت امتیاز ۴۲ درصد عملکردی بهتر از GPT-6-Astra با امتیاز ۴۱ درصد ارائه داده است.

پژوهشگران حوزه‌های شیمی، فیزیک و ریاضیات از توان شبیه‌سازی دقیق و کدنویسی علمی بهره‌مند می‌شوند؛ به‌طوری‌که مدل می‌تواند فرایندهای پیچیده‌ای همچون محاسبات هارتری-فاک را در یک مرحله پیاده‌سازی کند. در بخش تحلیل‌های مالی و اسناد حقوقی نیز بررسی‌های پلتفرم vals.ai نشان می‌دهد که ML4 در ارزیابی بنچمارک HarveyAI بر تمامی مدل‌های متن‌باز غلبه کرده است و گزارش‌های مالی شرکت‌ها را با دقتی بالا تحلیل می‌کند.

فرآیند پس‌آموزش مدل بر بستر کتابخانه‌ی پیشرفته‌ی یادگیری تقویتی (RL) توسعه یافته که امکان شبیه‌سازی محیط‌های متنوع شامل سندباکس‌های کدنویسی، جست‌وجوی وب و تعامل با API-های خارجی را فراهم می‌سازد. در مقیاس پردازشی فعلی، روزانه نزدیک به ۳۳ میلیارد توکن پردازش می‌شود که پس از غربال‌گری حدود ۱۶ میلیارد توکن به داده‌های آموزشی نهایی تبدیل می‌شوند.

تامین مالی ۳ میلیارد یورویی سری D که بزرگ‌ترین دور جذب سرمایه‌ی تاریخ شرکت‌های فناوری در اروپا محسوب می‌شود، امکان گسترش سریع زیرساخت‌های محاسباتی میسترال را تضمین کرده است. هزینه‌ی استفاده از رابط کاربری API مدل برای هر یک میلیون توکن ورودی برابر ۱٫۳۶ دلار و برای هر یک میلیون توکن خروجی برابر ۴٫۱۸ دلار تعیین شده است که عددی رقابتی در بازار پردازش ابری محسوب می‌شود.

میسترال اطمینان دارد که پس از نهایی‌شدن نتایج بنچمارک‌ها، مدل جدید در صدر رتبه‌بندی سیستم‌های هوش مصنوعی مجهز به وزن‌های باز، به‌ویژه در بازار غرب، جای خواهد گرفت. آموزش هدفمند ML4 امکان داده است تا در زمینه‌های کاربردی خاص نظیر امنیت اطلاعات، تحلیل بازارهای مالی و طراحی تراشه، حتی مدل‌های بزرگ و بسته را به چالش بکشد.

صنعت تراشه‌سازی و طراحی نیمه‌رساناها هم‌راستا با اهداف راهبردی حامیان اصلی میسترال تعریف شده است. غول هلندی تجهیزات تراشه‌سازی، ASML، رهبری دور جذب سرمایه‌ی سری C را بر عهده داشت و سامسونگ ماه گذشته دور سرمایه‌گذاری سری D را با ارزش‌گذاری ۲۱ میلیارد یورویی (حدود ۲۴٫۳۹ میلیارد دلار) هدایت کرد تا موقعیت میسترال فراتر از یک ارائه‌دهنده‌ی زیرساخت ساده، به‌عنوان یکی از بازیگران پیشروی هوش مصنوعی جهان تثبیت شود.

آیا مدل‌های متن‌باز اروپایی مانند Mistral Large 4 می‌توانند انحصار غول‌های آمریکایی و چینی را بشکنند؟ دیدگاه خود را با ما به اشتراک بگذارید.