Крупнейшая на сегодняшний день модель Mistral с открытыми весами: нативная мультимодальная MoE с общим количеством параметров около 1T и активацией примерно 52B параметров на токен (без учета слоев встраивания — 49B), принимающая на вход текст и изображения, а на выход выдающая текст, с контекстным окном в 100 тысяч токенов; задачи следования инструкциям, рассуждений, программирования и агентные задачи объединены в одном наборе весов, а интенсивность рассуждений переключается по запросу в трех режимах: low / medium / high.
Рост рейтинга: 300 · Лайки: 1221 · Загрузки: 278
Причины
- Официально заявлено, что индекс агентного программирования Artificial Analysis составляет 48%, что практически соответствует показателю лидера среди открытых моделей GLM-5.3, но при этом на каждое任务 в среднем расходуется на 47% меньше токенов; индекс рассуждений Artificial Analysis v5 составляет 26, что является лучшим результатом среди западных открытых моделей, однако разработчики признают, что китайские лидеры среди открытых моделей имеют более высокий общий балл.
- Из 128 маршрутизируемых экспертов активируются 4 на токен плюс 1 общих экспертов; модель обучалась с нуля на 3,800 графических процессорах Grace Blackwell; официально заявлено о выдающихся результатах в кибербезопасности, финансах, юриспруденции и визуальном позиционировании, поддерживается нативный вызов функций и строгий вывод в формате JSON Schema, охватывается более 160 языков.
- С момента релиза доступны образы для vLLM, SGLang, Transformers, llama.cpp GGUF, а также руководства по дообучению с использованием Axolotl, Unsloth и TRL, плюс версия NVFP4 для архитектуры Blackwell; релиз состоялся 29 10 вместе с публикацией в блоге Hugging Face, ранее в обзорах не упоминался. Рост рейтинга 300 отражает только уровень внимания.
Использование
- vLLM (официальная рекомендация): docker pull vllm/vllm-openai:mistral-large-4, запуск с параметрами --tensor-parallel-size 8 --tool-call-parser mistral --reasoning-parser mistral --enable-auto-tool-choice; для включения встроенного спекулятивного декодирования DSpark добавьте --speculative-config '{"method": "dspark", "num_speculative_tokens": 3}', официально заявлено увеличение пропускной способности до 1.9 раз.
- SGLang: образ lmsysorg/sglang:mistral-large-4, запуск командой sglang serve --tp-size 8 --speculative-algorithm DSPARK; для сэмплирования везде используются temperature 1.0 и top_p 0.95, для сложных и агентных задач reasoning_effort="high" (по умолчанию), для повседневных задач — medium, для быстрых ответов — low.
- Также можно напрямую обращаться к модели mistral-large-4 через API Mistral или подключать локальный vLLM в официальном агенте для программирования Mistral Vibe.
Риски
- Официальные примеры предполагают тензорное параллельное развертывание на 8 картах, что невозможно запустить на личном оборудовании; версия NVFP4 предназначена только для видеокарт архитектуры Blackwell.
- Лицензия Mistral Ecosystem Open-Weight License (модифицированная MIT): коммерческое использование разрешено, но для бизнеса в формате «модель как услуга» (MaaS) требуется отдельная коммерческая лицензия.
- В карточке модели приведены только два сводных индекса, остальные сравнения представлены в изображениях и блоге, все они являются результатами рейтингов, на которые ссылается разработчик.