मिस्ट्रलने आणले १.०५ ट्रिलियन पॅरामीटर्सचे AI मॉडेल, दिले टोपणनाव 'ले चोंक'

मिस्ट्रल AI ने ६ ऑक्टोबरला १.०५ ट्रिलियन पॅरामीटर्सचे मॉडेल सार्वजनिक प्रीव्ह्यूसाठी खुले केले, पूर्ण वेट्स देण्याच्या तीन आठवडे आधी, आणि त्याला असे टोपणनाव दिले जे प्रत्यक्षात बनवलेल्या गोष्टीपेक्षा खूपच साधे वाटते: ले चोंक.

इतके मोठे मॉडेल की बनवणाऱ्यांनीच त्याला गमतीचे नाव दिले

अधिकृतरीत्या Mistral Large 4 म्हटले जाणारे हे मॉडेल एक मिक्श्चर ऑफ एक्सपर्ट्स प्रणाली आहे, म्हणजे प्रत्येक उत्तरासाठी ते सगळेच १.०५ ट्रिलियन पॅरामीटर्स वापरत नाही. एखाद्या विनंतीसाठी यातील फक्त सुमारे ४९ अब्ज पॅरामीटर्स सक्रिय होतात, तर उरलेले विशेषज्ञ घटक राखीव ठेवलेले असतात आणि गरज पडेल तेव्हाच मॉडेल त्यांना बोलावते. या रचनेमुळे मिस्ट्रल असा दावा करू शकते की त्याची तर्कशक्ती एका खूप मोठ्या डेन्स मॉडेलच्या जवळपास पोहोचते, तरीही संगणकीय खर्च मात्र साधारण ५० अब्ज पॅरामीटर्सच्या मॉडेलइतकाच राहतो.

या फ्रेंच कंपनीने युरोपातील डेटा सेंटर्समध्ये चालणाऱ्या ४,००० एनव्हिडिया Grace Blackwell चिप्सवर साधारण दोन महिने प्रशिक्षण देऊन हे मॉडेल तयार केले. मिस्ट्रलच्या म्हणण्यानुसार हे मॉडेल १६०हून अधिक भाषांमध्ये अस्खलित आहे आणि मजकूर, प्रतिमा व इतर प्रकारचा इनपुट एकाच प्रणालीत हाताळते, नंतर जोडलेल्या सुविधेसारखे व्हिजन त्यात चिकटवलेले नाही.

मिस्ट्रल Large 4 ला OpenAI, अँथ्रोपिक किंवा गूगलच्या क्लोज्ड प्रणालींऐवजी चीनमधून येणाऱ्या ओपन वेट मॉडेल्सशी, विशेषतः DeepSeek आणि अलीबाबाच्या Qwen मालिकेशी, स्पर्धेत उभे करत आहे. कंपनीच्या म्हणण्यानुसार सायबरसुरक्षा, वित्त आणि उत्पादन क्षेत्रातील बेंचमार्कवर ते इतर ओपन वेट प्रणालींपेक्षा पुढे आहे, जरी हे आकडे मिस्ट्रलच्याच चाचण्यांमधून आलेले असून स्वतंत्रपणे तपासले गेलेले नाहीत. प्रीव्ह्यू काळात मिस्ट्रलच्या API द्वारे प्रति दशलक्ष इनपुट टोकनसाठी १.३६ डॉलर आणि प्रति दशलक्ष आउटपुट टोकनसाठी ४.१८ डॉलर मोजावे लागतात, जी ओपननेसच्या आश्वासनावर विकल्या जाणाऱ्या मॉडेलसाठी बरीच जास्त किंमत आहे. डेव्हलपर्स, सुरक्षा तज्ज्ञ आणि सरकारी संस्थांना २७ ऑक्टोबरच्या पूर्ण प्रकाशनापूर्वी याची चाचणी घेण्यासाठी साधारण तीन आठवडे मिळतात.

दशकभर जुन्या त्रुटी शोधणारे AI आता जास्त सुरक्षा तज्ज्ञांच्या हाती

अँथ्रोपिकने ६ ऑक्टोबरला आपला Project Glasswing हा सायबरसुरक्षा उपक्रम एका व्यापक कार्यक्रमात विलीन केला, आणि सॉफ्टवेअरमधील सुरक्षाछिद्रे शोधण्यासाठी बनवलेल्या AI प्रणालीचा वापर आता आधीपेक्षा खूप मोठ्या यादीतील अर्जदारांसाठी खुला केला.

Glasswing याच वर्षी सुरुवातीला बारा संस्थापक भागीदारांसह सुरू झाला होता, ज्यात AWS, Apple, Cisco, Microsoft आणि Nvidia यांचा समावेश होता, आणि यातून मोजक्याच महत्त्वाच्या पायाभूत सुविधा चालकांना Claude Mythos या अँथ्रोपिकच्या स्वायत्त कोडिंगसाठी सर्वात सक्षम मॉडेलचा वापर करण्याची संधी मिळाली. या सुरुवातीच्या चाचणीत या प्रणालीने भागीदारांच्या कोडबेसमध्ये १०,०००हून अधिक उच्च किंवा अतिगंभीर पातळीच्या सुरक्षाछिद्रांचा शोध लावला, ज्यात OpenBSD ऑपरेटिंग सिस्टममधील २७ वर्षे जुना दोष आणि मोठ्या प्रमाणावर वापरल्या जाणाऱ्या FFmpeg व्हिडिओ सॉफ्टवेअरमधील १६ वर्षे जुना बग यांचाही समावेश होता. हे दोन्ही दोष वर्षानुवर्षे सामान्य मानवी तपासणीतून निसटून गेले होते.

आता Cyber Verification Program म्हटला जाणारा हा विस्तारित उपक्रम तीन स्तरांत विभागलेला आहे. Defense Access मध्ये घटना प्रतिसाद, मालवेअर रिव्हर्स इंजिनिअरिंग आणि सुरक्षाछिद्र पडताळणी यांचा समावेश होतो, आणि अँथ्रोपिकच्या म्हणण्यानुसार अशा अर्जांना काही दिवसांतच उत्तर देण्याचे त्यांचे उद्दिष्ट आहे. Red Team Access अधिकृत पेनिट्रेशन टेस्टिंग करणाऱ्या संस्थांना दिला जातो, तर Specialized Access विमान नियंत्रण सॉफ्टवेअर आणि वीज ग्रिड व्यवस्थापनासारख्या सुरक्षेच्या दृष्टीने अतिमहत्त्वाच्या प्रणालींसाठी राखीव आहे. प्रत्येक स्तरात Claude Opus 5.5, Claude Sonnet 5.5 आणि Claude Mythos 5.1 यांचा समावेश होतो. मूळ कार्यक्रम फक्त मोजक्या महत्त्वाच्या पायाभूत सुविधा चालकांपुरताच मर्यादित होता, पण विस्तारित कार्यक्रमात आता सुरक्षा कंपन्या, ओपन सोर्स मेंटेनर्स आणि पात्र स्वतंत्र संशोधकांचेही अर्ज अँथ्रोपिकच्या वेबसाइटवरील सार्वजनिक पोर्टलद्वारे स्वीकारले जातात.

जुन्या अणुभट्ट्या जास्त काळ चालवण्यासाठी गूगलचे अब्जावधींचे पैज

अल्फाबेट आणि कॉन्स्टेलेशन एनर्जीने ६ ऑक्टोबरला दीर्घकालीन वीजपुरवठ्याचे दोन करार केले, ज्याअंतर्गत गूगलला तब्बल ३.५९ गिगावॉट वीज मिळणार आहे, त्यातील बहुतांश वीज कॉन्स्टेलेशनच्या आधीपासूनच मालकीच्या अणुऊर्जा प्रकल्पांमधून येणार आहे.

या कराराचा मोठा भाग म्हणजे २० वर्षांचा करार, जो ८९० मेगावॉट नवीन अणुऊर्जा क्षमता कव्हर करतो. ही क्षमता नवीन प्रकल्प उभारून नव्हे, तर इलिनॉय, पेन्सिल्व्हेनिया आणि न्यू जर्सीमध्ये पसरलेल्या कॉन्स्टेलेशनच्या ११ अणुभट्ट्यांमधील उपकरणे अद्ययावत करून मिळवली जाणार आहे. कॉन्स्टेलेशनच्या म्हणण्यानुसार या कामावर ४.३ अब्ज डॉलरपेक्षा जास्त खर्च होणार आहे, आणि पहिला अद्ययावत युनिट २०२८ पर्यंत कार्यान्वित होण्याची अपेक्षा आहे. दुसऱ्या, १५ वर्षांच्या करारात कॉन्स्टेलेशनच्या PJM मधील व्यापक ताफ्यातून आणखी २,७०० मेगावॉट पारंपरिक वीज जोडली जाते. PJM हा मिड अटलांटिक भागाचा बराचसा आणि मिडवेस्टचा काही भाग सेवा देणारा प्रादेशिक ग्रिड आहे.

या करारामुळे गूगल आता मायक्रोसॉफ्ट आणि मेटाच्या रांगेत येऊन बसले आहे. या दोन्ही कंपन्यांनी याच वर्षी नवीन प्रकल्प उभारण्यासाठी वर्षानुवर्षे वाट बघण्याऐवजी जुन्या अणुभट्ट्या जास्त काळ चालवण्यासाठी स्वतःचे अब्जावधी डॉलरचे अणुऊर्जा करार आधीच केले आहेत. अणुऊर्जा प्रकल्प हवामान कसेही असो, चोवीस तास वीजनिर्मिती करत राहतात, आणि त्यामुळेच सतत वीज खेचणाऱ्या डेटा सेंटर्ससाठी दीर्घकाळ वीजपुरवठा निश्चित करू पाहणाऱ्या कंपन्यांना ते आकर्षक वाटतात. गूगलच्या म्हणण्यानुसार या करारातून मिळणारी वीज PJM भागातील आपल्या AI डेटा सेंटर्सचा विस्तार करण्यासाठी वापरली जाईल, जिथे नव्या संगणकीय सुविधांमुळे आधीच ग्रिडवर इतका ताण आला आहे की राज्य नियामकांचेही लक्ष त्याकडे वेधले गेले आहे.