وزن های Mistral Large 4 را منتشر می کنیم

Mistral Mistral Large 4 (Le Chonk) را منتشر کرد که یک مدل چندوجهی با 1 تریلیون پارامتر است که اکنون با بهبود کدنویسی، امنیت سایبری و کارایی استدلال در دسترس است. این استاندارد معیارهای وزن باز را در کدنویسی و امنیت دفاعی ارائه می دهد در حالی که سه حالت استدلال برای تعادل هزینه و عملکرد ارائه می دهد. کاملا با وزن باز و آموزش‌های اروپایی، هوش مصنوعی مستقل را با گزینه‌های استقرار با قابلیت شخصی‌سازی و میزبانی خود تقویت می‌کند.

وزن‌های Le Chonk را آزاد می‌کنیم و مرز مدل‌های باز را در کدنویسی عاملی و امنیت سایبری پیش می‌بریم.

در اوایل این ماه، Mistral Large 4 (Le Chonk)، پرچم‌دار مدل 1 تریلیون پارامتری و بومی چندوجهی خود را در پیش‌نمایش عمومی منتشر کردیم. پاسخ به پیش‌نمایش فراتر از انتظارات ما بوده است، و ما از جامعه برنامه‌نویس، مشتریان با دسترسی اولیه و شرکای خود برای حمایت، همکاری و بازخوردشان سپاسگزاریم.

از آن زمان، ما این بازخورد را در حالی که به مقیاس یادگیری تقویتی ادامه می‌دهیم، به کار گرفته‌ایم، که باعث پیشرفت‌های گسترده در کدنویسی و امنیت سایبری دفاعی می‌شود. سودها بدون هیچ نشانه ای از اشباع به شتاب ادامه می دهند.

امروز، وزن‌های این Mistral Large 4 بهبود یافته را منتشر می‌کنیم. مدل جدید همچنین دارای دستاوردهای قابل‌توجهی در کارایی استدلال است که به توسعه‌دهندگان عملکرد بهتری می‌دهد و هزینه‌های استنتاج را کاهش می‌دهد.

Mistral Large 4 به عنوان بهترین مدل وزن باز برای کدنویسی و به طور کلی در بین توانمندترین مدل های باز جهان قرار دارد. آموزش از ابتدا در زیرساخت های اروپایی با نسب روشن از ابتدا تا انتشار، به سازمان ها یک پایه قابل اعتماد برای هوش مصنوعی مستقل می دهد.

Mistral در حال تعریف رده مستقل هوش مصنوعی و رهبری مرزهای باز است. ما متعهد به ساختن توانمندترین مدل‌های جهان و انتشار آشکار آن‌ها هستیم و به توسعه‌دهندگان، شرکت‌ها و مؤسسات این قدرت را می‌دهیم که هوش مصنوعی خود را داشته باشند، سفارشی کنند و کنترل کنند.

Mistral Large 4 با نتایج قوی در بین معیارهای کدنویسی پیشرو وارد پیش نمایش عمومی شد. تنها سه هفته یادگیری تقویتی اضافی، آن را به خط مقدم کدنویسی با وزن باز سوق داده است و در FrontierCode و Terminal-Bench پیشتاز است و در عین حال با بهترین مدل‌های وزن باز در شاخص کدگذاری تحلیل مصنوعی با کارایی توکن قابل‌توجهی مطابقت دارد.

در معیار خصوصی FrontierCode 2.0 Cognition، که کیفیت کد سرتاسری و اینکه آیا نگهدارنده مخزن تغییرات عامل را ادغام می‌کند یا خیر، ارزیابی می‌کند، Mistral Large 4 با امتیاز 19.7 درصد پیشتاز است.

Mistral Large 4 عملکرد کدگذاری مرزی را با توکن‌های بسیار کمتر ارائه می‌کند و عامل‌های کدگذاری پیچیده را برای اجرا در مقیاس مقرون به صرفه‌تر می‌کند.

در شاخص کدگذاری تجزیه و تحلیل مصنوعی، Mistral Large 4 امتیاز 48 درصد را کسب می کند، به طور موثر با مدل وزن باز پیشرو GLM-5.3 گره خورده است، در حالی که به طور متوسط ​​از 47 درصد توکن کمتر در هر کار استفاده می کند.

نمرات شاخص عامل کدگذاری و کارایی توکن برای سطوح استدلال موجود در تجزیه و تحلیل مصنوعی

دستاوردها به جریان های کاری کدگذاری مبتنی بر ترمینال گسترش می یابد. در Terminal-Bench 4.0، Mistral Large 4 با 13 درصد بهبود نسبت به پیش‌نمایش عمومی خود به 41 درصد رسید و در میان مدل‌های با وزن باز پیشتاز شد و توکن‌های خروجی را تا 30 درصد کاهش داد.

برای اینکه توسعه دهندگان کنترل بیشتری بر این مبادله بین عملکرد و هزینه داشته باشند، Mistral Large 4 اکنون از سه حالت استدلال پشتیبانی می کند:

سخت ترین موارد استفاده که نیاز به دقت بالا و استدلال کامل دارند

فراتر از معیارها، قابلیت‌های کدگذاری Mistral Large 4 بر اساس اولویت‌های انسانی تأیید می‌شوند. در ارزیابی‌های زوجی کور Surge Code، Mistral Large 4 بر مدل‌های وزن باز پیشرو از جمله GLM-5.3، Kimi K3 و DeepSeek V4.1 Flash ترجیح داده شد و در بین مدل‌های ارزیابی‌شده تنها پس از Claude Opus 5.5 قرار گرفت.

نرخ برد کنار هم در برابر سایر مدل ها

سهم اعلان‌هایی که در آن نمره‌دهندگان پاسخ Mistral Large 4 را به پاسخ حریف ترجیح می‌دهند.

از زمان پیش‌نمایش، ما با فروشندگان پیشرو امنیت سایبری برای ارزیابی Mistral Large 4 در محیط‌های واقعی کار کرده‌ایم تا نقاط قوت Mistral Large 4 را در بازتولید آسیب‌پذیری و وصله‌گذاری آزمایش کنیم.

Mistral Large 4 در شاخص سایبری تحلیل مصنوعی، که توانایی مدل را در کشف آسیب‌پذیری‌ها در یک پایگاه کد، بازتولید و اعتبارسنجی آنها، و وصله آن‌ها بدون شکستن عملکرد موجود اندازه‌گیری می‌کند، امتیاز 51 درصد را کسب می‌کند. مهمتر از همه، Mistral Large 4 این وظایف امنیتی دفاعی مشروع را بدون امتناع غیر ضروری انجام می دهد.

ایمنی در کنار قابلیت بهبود یافته است. نرده های محافظ داخلی مدل ما بین وظایف امنیت سایبری دفاعی و مخرب و تهاجمی تمایز قائل می شود. عملکرد قوی در معیارهای سایبری را حفظ می کند، در حالی که به میانگین رد 96.6٪ در درخواست های مخرب سایبری، بالاترین میزانی که در بین مدل های باز اندازه گیری می کنیم، می رسد.

میانگین امتناع از درخواست‌های مربوط به سایبری JailbreakBench، StrongREJECT و AgentHarm

در اینجا آنچه رهبران جهانی در امنیت سایبری در مورد Mistral Large 4 می گویند:

آزمایش Booz Allen موفقیت مدل اروپایی Mistral Large 4 را در مقایسه با معیار داخلی ما برای تجزیه و تحلیل امنیت کد منبع نشان داد. این مدل توانست نرخ فراخوان تشخیص آسیب‌پذیری را با سایر مدل‌های سایبری مرزی با منحنی هزینه متقاعدکننده مطابقت دهد. و، پشتیبانی Mistral از سفارشی‌سازی مدل و استقرار مستقل داده‌ها همچنین به ما امکان می‌دهد آن را برای نیازهای ماموریت خود و محیط‌های مشتری با الزامات سخت‌گیرانه اقامت در داده‌ها تنظیم کنیم. ما مشتاقانه منتظر همکاری با Mistral برای تقویت زیرساخت های حیاتی در سراسر جهان هستیم.

برد مدیری، رئیس سایبر ملی در Booz Allen Hamilton

سازمان‌هایی که شفافیت و باز بودن را به عنوان نقاط قوت در نظر می‌گیرند، به خوبی در موقعیت خوبی قرار می‌گیرند و هوش مصنوعی در عملیات‌های امنیتی مرکزی می‌شود. مدل‌های امنیت سایبری با وزن باز، این شفافیت را به شرکت‌ها و دولت‌هایی که نیاز به میزبانی و سفارشی‌سازی هوش مصنوعی تحت کنترل خود دارند، گسترش می‌دهد و به محققان اجازه می‌دهد تا نحوه رفتار این مدل‌ها، از جمله جایی که ممکن است مورد سوء استفاده قرار گیرند، مطالعه کنند.

از آنجایی که دشمنان به طور فزاینده ای از هوش مصنوعی برای تسریع عملیات خود استفاده می کنند، هدف ما این است که در کنار توسعه دهندگان مدل مانند Mistral کار کنیم تا به تیم های امنیتی کمک کنیم تا بر روی آن کنترل ایجاد کنند و پایه ای برای انعطاف پذیری با طراحی به جای مدیریت تهدید واکنشی ایجاد کنند.

ایمی چانگ، رئیس بخش تهدیدات هوش مصنوعی و تحقیقات امنیتی سیسکو

وقتی تهدیدها با سرعت ماشین حرکت می کنند، دفاع انسانی نمی تواند سرعت خود را حفظ کند. بدتر از آن، دفاعی که شما کنترل آن را ندارید دفاع نیست، بلکه در معرض قرار گرفتن است. تیم های امنیتی زمانی که فرمان را می گیرند بهترین عملکرد را دارند. Mistral's ML4 به مدافعان اجازه می دهد معماری را بررسی کنند، زیرساخت های خود را مستقر کنند و حاکمیت کامل را حفظ کنند. انعطاف‌پذیری با خودمختاری شروع می‌شود و مدل‌های وزن باز به سازمان‌ها کمک می‌کنند تا کنترل دفاعی خود را رهبری کنند."

استفانی کوهن، مدیر ارشد استراتژی در Cloudflare

مدل‌های قدرتمند هوش مصنوعی به تنهایی نمی‌توانند در امنیت سایبری مقیاس را پایین بیاورند. این کار به تخصص امنیتی عمیق، اطلاعات تهدیدات در دنیای واقعی و آزمایش های دقیق نیاز دارد. کار ما با Mistral Large 4 آزمایش می کند که هوش مصنوعی مرزی چقدر می تواند از طریق آسیب پذیری های پیچیده استدلال کند، اصلاح را تسریع کند و اطمینان حاصل کند که مدافعان سریعتر از دشمنان حرکت می کنند.

دکتر بارتلی ریچاردسون، مدیر ارشد هوش مصنوعی و سیستم های خودمختار، CrowdStrike

Elastic به تیم‌های امنیتی این آزادی را می‌دهد تا هوش مصنوعی مورد اعتماد خود را به داده‌هایی که کنترل می‌کنند، از جمله مدل‌های باز Mistral که امروزه در Elastic Security پشتیبانی می‌شوند، بیاورند. ما قبلا ML4 را در برابر بارهای کاری واقعی امنیت سایبری ارزیابی کرده‌ایم، که در آن مدل‌ها باید در میان داده‌های پیچیده استدلال کنند تا به تحلیلگران کمک کنند تا تصمیم‌گیری‌های آگاهانه و پاسخ‌دهی بگیرند. این نشان‌دهنده مشارکت‌هایی است که ما برای ارائه مدل‌های قدرتمند و با وزن باز همراه با زمینه امنیتی، شفافیت و کنترل تقاضای مشتریان خود ایجاد می‌کنیم.

جیمز اسپیتری، مدیر ارشد، مدیریت محصول، الاستیک

ENISA در حال آزمایش مدل‌های وزن بسته و باز است تا توانایی‌های سایبری آنها را بهتر درک کند. مدل‌های وزن باز به سازمان‌ها این امکان را می‌دهند که کنترل فناوری را که تاب‌آوری خود به آن بستگی دارد، حفظ کنند. دسترسی ENISA به Mistral Large 4 و در حال آزمایش آن برای شناسایی آسیب‌پذیری‌های امنیتی، ممیزی کد و تجزیه و تحلیل گزارش‌های دفاعی است.

لورا هووینک، رئیس بخش ارتباطات ENISA

ما معتقدیم مدل‌های هوش مصنوعی با وزن باز نقش مهمی در پیشبرد امنیت سایبری با دادن انعطاف‌پذیری، انتخاب و کنترل بیشتر به سازمان‌ها دارند. نوآوری‌هایی مانند Mistral Large 4 نشان‌دهنده گام‌های امیدوارکننده در پتانسیل هوش مصنوعی برای تبدیل دفاع سایبری است. ما تداوم نوآوری هوش مصنوعی را فرصتی مهم برای تقویت امنیت سایبری و کمک به سازمان‌ها در جهت‌یابی چشم‌انداز تهدید در حال تحول می‌دانیم.

جان ویتل، مدیر عملیاتی Fortinet

مدل‌های باز به محققان و توسعه‌دهندگان امنیتی امکان بازرسی، تطبیق و ساخت بر اساس هوش مصنوعی را می‌دهند. Mistral در حال گسترش آن چیزی است که اکوسیستم می تواند بسازد، و همکاری ما در زیرساخت های شتاب یافته NVIDIA به توسعه دهندگان کمک می کند تا این مدل ها را به کار گیرند.

Kari Briski، معاون مدل‌های باز و نرم‌افزار NVIDIA

همانطور که تهدیدها سریعتر، صنعتی و در حال حاضر خودکار می شوند، دفاع باید در مقیاس متفاوتی عمل کند. حجم، سرعت، اعتماد: اینها سه چالش پیش روی امنیت سایبری در عصر هوش مصنوعی هستند. با هوش مصنوعی Mistral، ما در حال ساخت هوش مصنوعی سایبری اروپایی هستیم که توسط کارشناسان ما آموزش دیده و تحت کنترل آنها عمل می کند. با ترکیب قدرت هوش مصنوعی، تخصص تیم‌هایمان و هوش تهدید سایبری، واکنش خود را تسریع می‌کنیم تا بتوانیم به‌طور گسترده‌تر، سریع‌تر و با فناوری اروپای مورد اعتماد محافظت کنیم.

روبریک از Mistral و فشار برای «هوش مصنوعی مستقل» پشتیبانی می‌کند تا به دولت‌های اروپایی و صنایع تحت نظارت گزینه‌ای معتبر بدهد که داده‌های آن‌ها را به کشورهای دیگر هدایت نمی‌کند. مشتریان می‌خواهند مدل‌های انتخابی، از جمله مدل‌های با وزن باز و خصوصی را برای پشتیبانی از اقامت داده‌ها، تأخیر، هزینه و الزامات قابلیت، انتخاب کنند. به عنوان بخشی از تمرکز ما برای ارائه انعطاف‌پذیری سایبری و بازیابی سریع از حملات مبتنی بر هوش مصنوعی در خارج از سازمان و عوامل داخلی، آزمایش‌های امنیتی سایبری دقیق را با Mistral Large 4 ادامه می‌دهیم و از نزدیک با هم همکاری می‌کنیم تا خواسته‌های منطقه‌ای در حال تحول را برآورده کنیم.

Anneka Gupta، مدیر ارشد محصولات Rubrik.

همانطور که شرکت‌ها هوش مصنوعی را به تولید می‌رسانند، به طور فزاینده‌ای مدل‌هایی را می‌خواهند که بتوانند بر اساس شرایط خودشان اجرا کنند، با دید واضح رفتار مدل، دسترسی به داده‌ها و مجوزهای عامل. Mistral Large 4 امنیت سایبری قوی و استدلال فنی را برای هوش مصنوعی با وزن بالا به ارمغان می‌آورد و بسیاری از شرکت‌های اروپایی در حال حاضر آن را به عنوان مدل مستقل انتخابی خود پذیرفته‌اند.

Zscaler Security برای پیشنهادات هوش مصنوعی، ارائه شده در صرافی مستقل Zero Trust ما در اروپا، اکنون با Mistral ادغام شده و به سازمان‌ها کمک می‌کند تا به طور مداوم استقرار هوش مصنوعی خود را آزمایش کنند، آنچه را که هر مدل و عاملی می‌تواند به آن دست یابد، ترسیم کند، و خط‌مشی را به‌طور خطی اعمال کند. ما با هم، به شرکت‌ها قدرت می‌دهیم تا هوش مصنوعی مستقلی را با دید، کنترل و حفاظت از داده‌ها که برای نوآوری ایمن نیاز دارند، اتخاذ کنند.

Dhawal Sharma، EVP هوش مصنوعی و امنیت داده، Zscaler

در مدت زمان پس از پیش نمایش، ما به دقت استفاده مرتبط با امنیت سایبری را در ترافیک زنده خود رصد کردیم. اگرچه ما مشاهده کردیم که این مدل از انطباق با حملات جعبه سیاه علیه اهداف زنده امتناع می‌کند، اما پتانسیل ارتقا برای انجام حملات واقعی را می‌بینیم. ما در حال اصلاح نرده های محافظ خود هستیم و در ماه های آینده به روز رسانی آنها ادامه خواهیم داد.

ما همچنین شرکای طراحی سازمانی مانند Orange Cyberdefense را با دسترسی پیش‌نمایش به نوع تخصصی Mistral Large 4 بهینه‌سازی شده برای گردش‌های کاری امنیت سایبری پیشرفته، از جمله تست نفوذ، ارزیابی آسیب‌پذیری، و تیم قرمز ارائه می‌کنیم. دسترسی منوط به بررسی دقیق و پادمان‌های قراردادی است، با آزمایش محدود به سیستم‌های دارای مالکیت یا صریحا مجاز در محیط‌های کنترل‌شده.

در همین حال، مشتریان Mistral Large 4 را با داده‌های امنیتی اختصاصی، خط‌مشی‌ها، منطق شناسایی و محیط‌های تهدید با استفاده از Mistral Forge طراحی می‌کنند. برای وظایف امنیت سایبری کاملا تعریف شده، می‌توان آن را به گونه‌های کوچک‌تر و مختص کار برای دقت بیشتر بهینه‌سازی کرد و برنامه‌های امنیتی را مؤثرتر کرد.

درباره هوش مصنوعی مستقل برای امنیت سایبری و نحوه کار با ما بیشتر بیاموزید.

Mistral Large 4 در طیف وسیعی از معیارهای کاربری سازمانی به بهبود خود ادامه داده است.

برای کارهای مرتبط با امور مالی، ما توانایی مدل را برای انجام گردش‌های کاری در دنیای واقعی، به‌ویژه مواردی که شامل ایجاد و ویرایش صفحات گسترده برای موارد استفاده مالی و حسابداری است، بهبود بخشیم. این امر در امتیازات Finch ما به 73.3% منعکس شده است، که تنها پس از Kimi K3 برای مدل‌های باز در رتبه دوم قرار دارد.

مرور وب بخش مهمی از اکثر کارهای دانشی است. خط لوله RL ما را قادر ساخت تا به 84.5٪ در BrowseComp برسیم (با شروع از یک ایست بازرسی SFT که به 75٪ رسیده بود). با این کار Mistral Large 4 عملکرد بالاتری نسبت به مدل‌هایی مانند GLM-5.3 یا DeepSeek Flash 4.1 1017 دارد.

عوامل مستقر توسط یک سازمان باید ایمن باشند. چه برای اعضای داخلی و چه برای کاربران خارجی، عوامل نباید شما را در برابر تهدیداتی مانند نفوذ سریع سیستم یا تزریق کد مخرب باز کنند. RL دستاوردهای ما را در معیار امنیتی B3 Agent افزایش داد، به طوری که Mistral Large 4 در برابر 97.1٪ حملات در مقابل 93.3٪ در پیش نمایش مقاومت می کند. این آن را در بالای مرز OSS قرار می دهد، به این معنی که هر کسی که مدل را میزبانی می کند می تواند یک عامل ایمن را بدون تنظیم اضافی اجرا کند.

این سرمایه‌گذاری عمده توسط Mistral AI انتخاب La Banque Postale را که بیش از یک سال پیش انجام داد، تقویت می‌کند و بر ارتباط شراکت استراتژیک بلندمدت ما با هم تأکید می‌کند: حمایت از ظهور یک رهبر هوش مصنوعی اروپایی باز و مستقل. برای یک بانک عمومی و شهروندی، حاکمیت تکنولوژیکی اختیاری نیست. این یک پیش نیاز کلیدی برای حفظ اعتماد مشتریان ما است. معرفی این مدل باز فرصت ها و موارد استفاده جدید را باز می کند.

با همکاری با Mistral AI، جاه طلبی ما ترکیب بهترین تخصص انسانی و فناوری دیجیتال برای ارائه تجربه‌ای بهبودیافته برای مشتریان و کارمندان در دراز مدت است.

زکریا مورسلی، معاون اجرایی، عملکرد عملیاتی، پرداخت ها و خدمات دیجیتال، La Banque Postale

تریاژ آسیب‌پذیری سایبری: یک عامل گزارش‌های آسیب‌پذیری دریافتی را می‌خواند، کد منبع و زمینه محصول را بررسی می‌کند، نقص‌ها را در یک جعبه ماسه‌بازی مجزا تولید می‌کند، سپس روی یک پچ می‌نویسد و تکرار می‌کند تا زمانی که یک اکسپلویت قناری دیگر کار نکند.

Agentic webdev: بدون کمک انسانی، Mistral Large 4 Orbital Trace را می سازد، یک نقشه سه بعدی زنده از تقریبا 19000 ماهواره و قطعات زباله که به دور زمین می چرخند. داده‌های ردیابی واقعی را جمع‌آوری می‌کند، برنامه را می‌نویسد، از آن در مرورگر استفاده می‌کند تا باگ‌ها و کندی‌های خود را پیدا کند، سپس آن‌چه را که یک بازبین مستقل پرچم‌گذاری می‌کند تا زمانی که همه الزامات برطرف شود، برطرف می‌کند.

حل‌کننده شیمی کوانتومی: Mistral Large 4 نرم‌افزاری را از ابتدا می‌نویسد که محل نشستن الکترون‌ها در یک مولکول را محاسبه می‌کند و پاسخ‌های آن را با یک ابزار شیمی استاندارد بررسی می‌کند. سپس یک صفحه سه بعدی در اطراف خود ایجاد می کند: یک مولکول مانند بنزن یا آب را انتخاب کنید، یک نوار لغزنده را بکشید تا آن را از هم جدا کند، و الکترون ها را در هنگام شکستن پیوند تماشا کنید.

از آنجایی که سازمان‌ها هوش مصنوعی را حول دانش و گردش کار خود می‌سازند، حاکمیت به این معناست که کنترل مدل‌هایی را که به آنها وابسته هستند و هوشی که ایجاد می‌کنند حفظ می‌کنند.

با Mistral Large 4، این کنترل با خود مدل شروع می شود. سازمان ها توانایی بازرسی، سفارشی سازی و استقرار مدل را در زیرساخت های خود دارند. آنها می توانند Mistral Large 4 را بدون وابستگی به Mistral برای ارائه آن از طریق API استفاده کرده و آن را بهبود بخشند. Mistral Large 4 از ابتدا در اروپا توسعه یافته و آموزش دیده است و به سازمان ها در مورد منشاء فناوری که بر اساس آن ساخته می شوند شفافیت می دهد.

کنترل همچنین به نحوه عملکرد هوش مصنوعی در داخل یک سازمان نیز گسترش می یابد. سازمان‌ها می‌توانند Mistral Large 4 را در اطراف داده‌های اختصاصی خود با Mistral Forge سفارشی کنند و می‌توانند با استفاده از Mistral Studio عوامل و برنامه‌های به‌دست‌آمده را بسازند، اداره کنند و بهبود بخشند. کارشناسان هوش مصنوعی کاربردی Mistral می‌توانند در کنار تیم‌های مشتری برای ساخت و استقرار این سیستم‌های سفارشی کار کنند. از طریق این کار، تیم‌ها معماری و تصمیمات پشت آنچه ساخته‌اند، همراه با روش‌های مورد استفاده برای آموزش و بهره‌برداری از آن را درک می‌کنند، بنابراین می‌توانند به طور مستقل هوش مصنوعی خود را اجرا کرده و بهبود بخشند.

در ABN AMRO، ما معتقدیم که اکوسیستم های هوش مصنوعی باز و شفاف برای هدایت نوآوری مسئولانه در بخش مالی ضروری هستند. توسعه‌هایی مانند Mistral Large 4 نشان می‌دهد که چگونه مدل‌های هوش مصنوعی مستقل و با وزن باز می‌توانند طیف راه‌حل‌های قابل اعتماد موجود برای سازمان‌های اروپایی را گسترش دهند. ما از پیشرفت‌هایی که به دست آمده دلگرم هستیم و همچنان به بررسی این موضوع ادامه می‌دهیم که چگونه هوش مصنوعی پیشرفته می‌تواند به تقویت قابلیت‌های حیاتی، از جمله امنیت سایبری کمک کند.

کوئن کلاور، مدیر دفاع سایبری در ABN AMRO Bank N.V.

پیشرفت سریعی که در مدل های هوش مصنوعی مشاهده می کنیم، فرصت های هیجان انگیزی را برای مهندسی پیشرفته در تولید تراشه ایجاد می کند. تجربه اولیه ما با Mistral Large 4 امیدوارکننده است، به ویژه برای موارد استفاده که عملکرد مدل بالاتر اهمیت دارد. تعهد Mistral به نوآوری مستمر از تلاش‌های ما برای تسریع استفاده از هوش مصنوعی در طول چرخه عمر محصول نیمه‌رسانا پشتیبانی می‌کند.

Arnaud Hubaux، رئیس برنامه و استراتژی هوش مصنوعی.

Mistral Large 4 یک گام مهم رو به جلو برای هوش مصنوعی درجه مالی است: یک مدل با وزن باز که می‌توانیم آن را به خوبی با نیازهای خود تنظیم کنیم، در زیرساخت‌های خود مستقر کنیم و از نزدیک در کانال‌های دیجیتال خود ادغام کنیم. Hey Belfius یک نمونه شاخص از این است که چگونه این مشارکت به ما کمک می کند تا در نحوه تعامل مشتریان با بانک خود تجدید نظر کنیم.

نیکلاس گوس، رئیس اطلاعات بینش، تجزیه و تحلیل و هوش مصنوعی در Belfius

تسلط بر هوش مصنوعی ما با تسلط بر معماری و داده های آن آغاز می شود. برای حساس‌ترین موارد استفاده، دسترسی به مدل‌های وزن باز اروپایی، که می‌توانیم در زیرساخت‌های خود مستقر کنیم، اهرمی حیاتی برای تقویت استقلال استراتژیک و انعطاف‌پذیری سازمان‌هایمان است. مشارکت صنعتی بین Crédit Agricole Artificial Intelligence و Mistral به این چالش ها در سطح گروه می پردازد.

مدل "Le Chonk" که به دلیل قابلیت های استدلال و عملکرد خود در زمینه امنیت سایبری متمایز است، تصویر امیدوارکننده ای از امکاناتی است که توسط این مشارکت باز شده است.

ما در مورد یک مدل وزن باز با قابلیت های علمی و بینایی قوی هیجان زده ایم. کار ما بسیار تخصصی است، بنابراین توانایی تطبیق یک مدل اهمیت دارد. با Mistral Large 4، ما پایه‌ای برای ساخت ابزارهایی پیرامون روشی که دانشمندان و مهندسان ما واقعا با داده‌های رصد زمین کار می‌کنند - از تصاویر گرفته تا اسناد فنی می‌بینیم.

حق حاکمیت هوش مصنوعی در مورد انتخاب API برای فراخوانی نیست. این در مورد آزادی اجرای، سفارشی سازی و ساخت هوش مصنوعی بر اساس شرایط خود است. Mistral Large 4 قابلیت‌های قدرتمندی را در زمینه کدنویسی، هوش مصنوعی چندوجهی و امنیت سایبری در فضای باز به ارمغان می‌آورد و به توسعه‌دهندگان، شرکت‌ها و کشورها پایه و اساس بزرگی می‌دهد تا هوش مصنوعی خود را بسازند و از خود در برابر تهدیدات سایبری دفاع کنند.

یک مدل قدرتمند تنها بخشی از معادله است. توسعه دهندگان همچنین به آزادی تصمیم گیری در مورد اینکه کجا اجرا می شود، چگونه بهینه شود و چگونه در سیستم هایشان قرار می گیرد، نیاز دارند. ما در مورد Mistral Large 4 هیجان‌زده هستیم، زیرا وزن‌های باز به سازندگان کنترل بیشتری بر آن تصمیم‌ها می‌دهند، نه اینکه آنها را به یک سرویس میزبانی واحد وابسته کنند. در ZML، ما این آزادی را برای تبدیل پیشرفت‌های هوش مصنوعی به نرم‌افزار مفید و قابل استقرار ضروری می‌دانیم.

حاکمیت همیشه مستلزم میزبانی از خود نیست. گاهی اوقات فقط مستلزم استقرارهایی است که الزامات کنترل شما را برآورده می کند. برای سازمان‌هایی که یک سرویس مدیریت شده را ترجیح می‌دهند، Mistral Large 4 از طریق مایکروسافت Foundry با گزینه‌های استقرار خصوصی برای توسعه‌دهندگان Azure در دسترس است.

مایکروسافت و Mistral AI تعهد خود را به گسترش انتخاب مشتری در نسل بعدی هوش مصنوعی دارند. مایکروسافت به‌عنوان اولین ارائه‌دهنده ابری که Mistral Large 4 را به مشتریان ارائه می‌کند، آخرین مدل وزن باز Mistral را از طریق Microsoft Foundry، یک پلت‌فرم هوش مصنوعی سازمانی که برای ارزیابی، استقرار و عملکرد مدل‌ها در مقیاس ساخته شده است، در دسترس قرار می‌دهد. برای سازمان‌هایی که استراتژی‌های هوش مصنوعی مستقل را پیش می‌برند، این ترکیب انعطاف‌پذیری و کنترل بیشتری را بر روی داده‌ها، زیرساخت‌ها و عملیات هوش مصنوعی ارائه می‌دهد.

تینا شوچمن، معاون شرکت، ریخته گری، مایکروسافت