Mistral представила Large 4 «Le Chonk» — текстовую модель с триллионом параметров, сильными результатами на тестах и планами открыть веса

От мема Le Chaton Fat к реальной модели

Для тех, кто следит за необычной интернет-культурой вокруг передовых моделей ИИ, ML4 может показаться воплощением шутки, начавшейся несколько месяцев назад.

В июне вымышленная модель Mistral под названием Le Chaton Fat разошлась по X и Reddit. К шутке прилагались фальшивые графики бенчмарков и всё более нелепые характеристики якобы огромной французской модели, которой предстояло обойти американских и китайских конкурентов. Business Insider писал, что некоторые версии мема приписывали несуществующей модели более 30 трлн параметров, а также способность выдавать «1 000 мяуканий в секунду». В итоге к шутке присоединился генеральный директор Mistral Артур Менш: в X он написал, что это «на самом деле большой котёнок».

За шутками скрывалось ожидание, что Mistral готовит нечто гораздо более крупное. В июле TechCrunch писал о предстоящей большой модели Mistral с открытыми весами и отмечал, что Менш и инвестор компании Марк Андриссен поддержали шутки о Le Chaton Fat.

Теперь у Mistral действительно есть модель с триллионом параметров — и компания, похоже, решила не упускать возможность обыграть мем. Внутри компании ML4 получила прозвище Le Chonk — ещё одну отсылку к интернет-сленгу о необычно толстых котах.

На вопрос VentureBeat, можно ли считать ML4 той самой моделью, которую предсказывал мем Le Chaton Fat, сооснователь Mistral Гийом Лампль ответил, что компании понравилась эта шутка. По его словам, ML4 можно рассматривать как первую версию той идеи, а в будущем могут появиться ещё более крупные модели. Руководители Mistral добавили, что название Le Chonk намеренно отсылает к сообществу, которое надеялось увидеть от компании огромную передовую модель.

Шутка оказалась близка к реальности: Le Chaton Fat никогда не существовала, но несколько месяцев спустя Mistral выпускает флагманскую модель с открытыми весами на триллион параметров и прозвищем в честь толстого кота.

Триллион параметров, но активны только 49 млрд

ML4 построена на разреженной архитектуре: всего в модели триллион параметров, но во время инференса активны только 49 млрд. Такой подход продолжает общую тенденцию среди очень крупных моделей с открытыми весами: увеличивать общую ёмкость модели, активируя за раз лишь часть нейросети.

Mistral также подчёркивает, что для обучения модели, по её словам, понадобилось сравнительно немного оборудования — если сравнивать с крупнейшими проектами по созданию передовых моделей. Четыре тысячи ускорителей Blackwell — значительный масштаб сам по себе, однако компания считает его скромным на фоне ресурсов крупнейших американских лабораторий. Точно сравнить эффективность сложно: конкуренты не публикуют полные данные о вычислительных затратах на обучение в едином формате. Для сравнения, предыдущую модель Mistral Large 3 с 675 млрд параметров и разреженной архитектурой, у которой активны 41 млрд параметров, обучали на 3 000 ускорителях Nvidia H200.

Новая модель принимает мультимодальные данные, но выдаёт только текст, подтвердил Лампль в интервью VentureBeat. Mistral нацеливает её на разработку программного обеспечения, киберзащиту, финансовый анализ, обработку спутниковых и аэрофотоснимков, технических чертежей и проектирование микросхем.

Среди этих направлений кибербезопасность имеет особое стратегическое значение. Mistral считает, что предприятия не могут полностью полагаться на закрытых поставщиков, чьи системы безопасности могут отклонять законные запросы для оборонительных задач двойного назначения. По замыслу компании, открытые веса дадут специалистам по безопасности больше контроля над сканированием кода, защитным тестированием и другими масштабными рабочими процессами — без зависимости от меняющихся правил модерации поставщика.

Результаты бенчмарков выглядят убедительно, но требуют оговорок

В предварительных результатах Mistral указала для ML4 62% на DeepSWE v1.1 — бенчмарке для длительных задач по разработке программного обеспечения. На графике компании также приведены результаты модели Beam от Reflection AI — 44%, Qwen 3.8 Max — 51%, DeepSeek V4 Pro 0813 — 57% и GLM-5.3 — 61%.

Эти показатели конкурентов в целом можно проследить до открытых источников, но многое зависит от настроек бенчмарка.

В опубликованном всего вчера собственном анонсе Beam компания Reflection указала результаты 44,4% для Beam, 51% для Qwen 3.8 Max и 61% для GLM-5.3 в рамках своей схемы сравнения.

Artificial Analysis отдельно приводит результат DeepSeek V4 Pro 0813 на DeepSWE — 57% при использовании среды для ИИ-агента Codex.

Однако на актуальной таблице лидеров DeepSWE картина иная: если брать лучшую опубликованную конфигурацию для каждой модели, GLM-5.3 и Kimi K3 набирают примерно по 69%, а GPT-6 Astra, Gemini 3.8 Flash и Claude Opus 5 — около 74%.

Иными словами, предварительный результат ML4 в 62% выглядит конкурентоспособно, особенно в сравнении с западными моделями с открытыми весами вроде Beam. Но он не доказывает, что модель лидирует в программировании при любом доступном сочетании модели и среды для ИИ-агента.

Юридический бенчмарк даёт более прямой внешний ориентир. Согласно графику Mistral, ML4 успешно проходит 15% задач в Harvey’s Legal Agent бенчмарк. В открытой таблице лидеров Vals.ai сейчас указаны 12,92% у Kimi K3, 10,83% у MiMo V2.6 Pro и 8,33% у GLM-5.3 — эти округлённые показатели совпадают с соответствующими данными в сравнении Mistral. Если результат ML4 в 15% получен по той же методике, модель обойдёт этих соперников с открытыми весами. При этом в таблице Vals.ai несколько закрытых моделей уже показывают результат выше.

Mistral также заявляет о 67% на Finch — бенчмарке для финансовых и бухгалтерских рабочих процессов в компаниях. На графике компании ML4 делит этот результат с DeepSeek V4 Pro 0813 и опережает GLM-5.3, набравшую 65%. Сам Finch — открытый бенчмарк, принятый на ACL 2026. В него входят 384 задачи с длительной работой в электронных таблицах и документах, поиском, моделированием и подготовкой отчётов на основе неупорядоченных данных, характерных для компаний. Однако VentureBeat не удалось найти опубликованные результаты Finch для новых моделей с точными показателями, приведёнными на графике Mistral.

Такая же оговорка относится к заявлениям Mistral о работе с изображениями. Согласно материалам компании, ML4 набирает 42% на Dense200 и 73% на DIOR-RSVG, опережая большинство универсальных моделей в сравнении. Dense200 и DIOR-RSVG — опубликованные бенчмарки для обработки изображений. Но точные результаты GPT-6 Astra, Kimi K3 и DeepSeek, представленные в материалах Mistral, не удалось найти в открытых источниках по этим бенчмаркам, которые проверил VentureBeat.

Это важно, потому что главная стратегическая претензия Mistral — не превосходство ML4 над всеми закрытыми моделями в целом. Компания утверждает, что это самая сильная модель с открытыми весами, разработанная за пределами Китая, и что она может конкурировать с лучшими китайскими системами с открытыми весами. На момент публикации ML4 ещё не появилась ни в открытых оценках Artificial Analysis, ни в таблице лидеров DeepSWE. Поэтому заявление о её месте среди конкурентов останется предварительным, пока независимые специалисты не проверят финальную модель и опубликованные веса.

Ставка Mistral: открытые веса и инфраструктура для компаний

Выход ML4 приходится на важный для Mistral период. Компанию основали в 2023 году бывший исследователь DeepMind Артур Менш и бывшие сотрудники Meta Гийом Лампль и Тимоте Лакруа. Она быстро стала одним из заметных европейских конкурентов лабораторий из США и Китая, разрабатывающих базовые модели.

Первая модель компании, Mistral 7B, вышла в сентябре 2023 года. Позже в том же году появилась разреженная Mixtral 8x7B — так Mistral закрепила подход, основанный на эффективных моделях с открытыми весами.

С тех пор компания расширила деятельность за пределы самих моделей. В её набор продуктов входят решения для разработчиков и компаний, услуги по адаптации моделей, инфраструктура для инференса и Mistral Compute. Это часть более широкой стратегии: продавать компаниям не просто доступ к модели, а контроль над инфраструктурой, развёртыванием и инженерными решениями вокруг неё. Расширение бизнеса описано в архиве продуктов и новостей Mistral.

В сентябре Mistral объявила о раунде финансирования серии D на €3 млрд при оценке компании после инвестиций выше €21 млрд. Компания назвала его крупнейшим раундом привлечения акционерного капитала в истории европейских технологических компаний. Reuters оценило стоимость Mistral примерно в $24 млрд. По данным компании, сейчас она работает более чем со 125 международными организациями, включая Airbus, ASML и HSBC.

Такая стратегия помогает понять, почему Mistral готова выпускать мощные веса модели, а не оставлять флагман доступным только через API. Лампль сказал VentureBeat, что клиентам всё чаще нужно больше, чем доступ к модели: часть бизнеса составляют развёртывание, инфраструктура, адаптация и инженерная поддержка для всё более сложных рабочих процессов с ИИ. По сути, Mistral рассчитывает, что веса моделей станут более взаимозаменяемыми, а более ценная часть бизнеса переместится к системам, построенным вокруг них.

Для компаний практический вопрос в том, подтвердит ли финальная версия ML4 свои показатели при независимой проверке и сможет ли Mistral подкрепить заявления о технологическом суверенитете измеримыми преимуществами в стоимости, контроле и настройке. До выпуска весов компания отводит себе три недели. После 27 октября прозвище Le Chonk будет иметь меньшее значение, чем результаты, которые разработчики смогут воспроизвести на собственном оборудовании.