मिस्ट्रलच्या १ ट्रिलियन पॅरामीटरच्या ले चोंकने स्वतंत्र एआय निर्देशांकावर ३८ गुण मिळवले, ओपन मॉडेलमध्ये आठवा क्रमांक, आणि त्याचे वेट्स अजून प्रसिद्धही झालेले नाहीत

फ्रेंच कंपनीने ज्याला ले चोंक असे टोपणनाव दिले त्या मिस्ट्रल लार्ज ४ ला, ६ ऑक्टोबर २०२६ रोजी या स्वतंत्र चाचणी कंपनीने सार्वजनिक प्रीव्ह्यू चालवून पाहिल्यावर, आर्टिफिशियल अनॅलिसिस इंटेलिजन्स इंडेक्सवर ३८ गुण मिळाले. ट्रेंडिंग टॉपिक्स याला ओपन-वेट मॉडेलमध्ये आठवे स्थान मानते, सात चिनी मॉडेलच्या मागे, जरी आर्टिफिशियल अनॅलिसिस स्वतः या मॉडेलला प्रोप्रायटरी म्हणून नोंदवते कारण वेट्स अजून सार्वजनिक नाहीत.

“ओपन-वेट” म्हणजे कंपनी मॉडेल बनवणारे प्रशिक्षित आकडे प्रसिद्ध करते, त्यामुळे पुरेसे हार्डवेअर असलेला कोणीही ते चालवू शकतो, बदलू शकतो आणि स्वतः होस्ट करू शकतो. मिस्ट्रलच्या घोषणेत फक्त इतकेच म्हटले आहे: “आम्ही महिना संपेपर्यंत वेट्स प्रसिद्ध करू.”

६ ऑक्टोबरला काय प्रसिद्ध झाले, आणि काय नाही

मिस्ट्रलने ६ ऑक्टोबर २०२६ रोजी स्वतःच्या API वरून सार्वजनिक प्रीव्ह्यू सुरू केला. अजून काहीही डाउनलोड करता येत नाही, आणि मॉडेल कार्डवर परवाना न सांगता त्याला “ओपन” असे लेबल आहे. फोर्कलॉग २७ ऑक्टोबरला पूर्ण वेट्स प्रकाशन होईल असे सांगते. मिस्ट्रलच्या स्वतःच्या पोस्टमध्ये कोणताही दिवस दिलेला नाही.

७ ऑक्टोबरच्या एआय राउंडअपने या प्रक्षेपणाचा काही ओळींत उल्लेख केला होता. त्यातील दोन आकडे मिस्ट्रलच्या स्वतःच्या पोस्टपेक्षा वेगळे आहेत: राउंडअपने ४९ अब्ज सक्रिय पॅरामीटर आणि ४,००० चिप दिल्या, तर मिस्ट्रल ५२ अब्ज आणि ३,८०० म्हणते.

एक ट्रिलियन पॅरामीटर, आणि न जुळणारे तीन आकडे

लार्ज ४ हे मिक्स्चर-ऑफ-एक्स्पर्ट्स मॉडेल आहे. ते जो प्रत्येक शब्द तयार करते त्यासाठी सर्व पॅरामीटर (पॅरामीटर म्हणजे नेटवर्कमधील एक समायोज्य आकडा) वापरण्याऐवजी, मजकुराचा प्रत्येक तुकडा विशेषज्ञ उप-नेटवर्कच्या लहानशा वाट्यातून पाठवते. आपल्या घोषणेत मिस्ट्रल त्याचे वर्णन “५२ अब्ज सक्रिय पॅरामीटर असलेले १ ट्रिलियन-पॅरामीटरचे मूलतः मल्टिमोडल मॉडेल” असे करते, म्हणजे ते मजकुराबरोबर चित्रेही वाचते. मॉडेल कार्ड एकूण संख्या १.०५ ट्रिलियन देते, १.६ अब्ज पॅरामीटरचा व्हिजन एन्कोडर जोडते आणि १० लाख टोकनची कॉन्टेक्स्ट विंडो नमूद करते, म्हणजे मॉडेल एका वेळी किती मजकूर विचारात घेऊ शकते. त्यातल्या तीन आकड्यांवर वाद आहे.

• सक्रिय पॅरामीटर: मिस्ट्रलची पोस्ट आणि मॉडेल कार्ड ५२ अब्ज म्हणतात. ४९ अब्ज हा आकडा द रजिस्टर, आयटी डेली आणि आर्टिफिशियल अनॅलिसिसच्या पानाबद्दल Unite.AI च्या वृत्तात दिला आहे.
• कॉन्टेक्स्ट विंडो: मिस्ट्रल १० लाख टोकन म्हणते. आर्टिफिशियल अनॅलिसिसने सुमारे ५,२४,००० मोजले, आणि Vals.ai ५,१२,००० नोंदवते.
• प्रशिक्षणाच्या चिप: मिस्ट्रल म्हणते की त्याने मॉडेल स्वतःच्या युरोपीय डेटासेंटरमधील ३,८०० एन्व्हिडिया ग्रेस ब्लॅकवेल GPU वर सुरुवातीपासून प्रशिक्षित केले. फोर्कलॉग सुमारे ४,००० सांगते.

तुलनेसाठी, मिस्ट्रलच्या दस्तऐवजीकरणानुसार डिसेंबर २०२५ च्या लार्ज ३ मध्ये एकूण ६७५ अब्ज आणि ४१ अब्ज सक्रिय पॅरामीटर होते. त्यामुळे नवे मॉडेल एकूण आकारात सुमारे ५६% मोठे ठरते. मिस्ट्रलने हार्डवेअरबद्दल कोणतेही मार्गदर्शन दिले नाही, असे द रजिस्टर नमूद करते, पण ते जोडते की मॉडेल एन्व्हिडियाच्या HGX B300 किंवा AMD च्या MI355X सारख्या ८-GPU सर्व्हरवर चालले पाहिजे.

प्रशिक्षण डेटामध्ये १६० हून अधिक भाषा येतात, असे मिस्ट्रल सांगते, ज्यात युरोपियन युनियनच्या प्रत्येक अधिकृत भाषेचा समावेश आहे.

मिस्ट्रल मॉडेल काय करू शकते असे म्हणते

या विभागातील सर्व काही मिस्ट्रलचेच सांगणे आहे, जिथे दुसरे नाव जोडलेले नाही तिथे, आणि द रजिस्टरचा मिस्ट्रलच्या तक्त्यांबद्दलचा सल्ला आहे की त्यांना “चिमूटभर मीठ लावून घ्या.”

कोडिंगमध्ये, मिस्ट्रल DeepSWE v1.1 वर ६१.७% आणि आर्टिफिशियल अनॅलिसिसच्या कोडिंग एजंट इंडेक्सवर ४९.८% नोंदवते, DeepSeek V4 Pro 0813 आणि Qwen3.8 Max च्या पुढे. डेटा कंपनी सर्ज एआयच्या एका ब्लाइंड चाचणीत, अॅनोटेटरांनी पाच मॉडेलच्या आउटपुटला १ ते ५ च्या मापावर गुण दिले. पाचांपैकी मिस्ट्रलचे मॉडेल ३.७४ घेऊन दुसरे आले, क्लॉड ओपस ५ च्या ४.२२ च्या मागे.

एजंट कामांमध्ये, ते ६५७ व्यावसायिक वर्कफ्लो वापरणाऱ्या AutomationBench वर ५९.९% नोंदवते. मिस्ट्रलच्या सारांशात न आलेला एक आकडा द डिकोडरकडून येतो: GLM-5.3 ने ६२.२ असा जास्त स्कोअर केला. SciCode-Verified वर द डिकोडर ९१.८% नोंदवते, जे GPT-6 Astra च्या ९४.२% आणि Qwen3.8 च्या ९३.८% च्या मागे आहे पण क्लॉड ओपस ५ च्या ९१.३% च्या पुढे.

चित्रांमध्ये, Dense 200 नावाच्या व्हिज्युअल ग्राउंडिंग चाचणीवर मिस्ट्रल ४२% नोंदवते, तर GPT-6 Astra चे ४१%.

स्वतंत्र परीक्षकांना काय आढळले

आर्टिफिशियल अनॅलिसिसने प्रीव्ह्यूला आपल्या इंटेलिजन्स इंडेक्सच्या ४.३.२ आवृत्तीवर ३८ गुण दिले आणि २२५ मॉडेलपैकी ६४ वा क्रमांक दिला. Unite.AI नुसार हे GPT-6 Luna (max) च्या ३८ बरोबरीचे आहे आणि DeepSeek V4.1 Flash (max) च्या ३९ च्या अगदी खाली. द रजिस्टरनुसार, सुरुवातीच्या चाचणीत ते OpenAI आणि Anthropic च्या फ्लॅगशिप मॉडेलच्या तुलनेत “मोठ्या गैरसोयीत” आहे.

त्याच इंडेक्सवरील ओपन-वेट आघाडीचे मॉडेल ट्रेंडिंग टॉपिक्स देते: शाओमीचे MiMo-V2.6-Pro ४६.३ वर, Z.ai चे GLM-5.3 ४४.८ वर आणि मूनशॉट एआयचे Kimi K3 ४३.६ वर. बंद मॉडेलमध्ये क्लॉड ओपस ५.५ ५७.६ वर, GPT-6 Astra ५२.७ वर आणि जेमिनी ४ Argon ५२.६ वर आहेत. दक्षिण कोरियाचे Motif 3, ३३.६ वर, चीनबाहेरचे आधीचे सर्वोत्तम ओपन मॉडेल होते. ActuIA थिंकिंग मशीन्सच्या Inkling Small ला, मोजलेले सर्वोत्तम अमेरिकी ओपन मॉडेल, २६ वर ठेवते.

त्याच इंडेक्सवर मिस्ट्रलच्या आधीच्या मॉडेलचे गुण खूपच कमी होते: मीडियम ३.५ चे १४ आणि लार्ज ३ चे ९. ActuIA निदर्शनास आणते की लार्ज ३ मध्ये रिझनिंग मोड नव्हता आणि इंडेक्स रिझनिंगला झुकते माप देतो.

कार्यक्षमता हा कमकुवत भाग आहे. ट्रेंडिंग टॉपिक्सनुसार इंडेक्स चालवण्यासाठी प्रत्येक कामामागे $१.१३ खर्च आला, तर DeepSeek V4.1 Flash साठी $०.२७ आणि MiMo-V2.6-Pro साठी $०.१३. इंडेक्स पूर्ण करण्यासाठी मॉडेलने सुमारे २०० दशलक्ष आउटपुट टोकन लिहिले, तुलनेच्या मॉडेलच्या ८१ दशलक्षाच्या मध्यकाविरुद्ध. वेग प्रति सेकंद ११६ आउटपुट टोकन मोजला गेला, पहिल्या टोकनसाठी १.४६ सेकंदांसह.

व्यावसायिक कामांवर मॉडेलची चाचणी करणारे Vals.ai लार्ज ४ ला आपल्या एकूण इंडेक्सवर ४५ पैकी ३३ वे स्थान देते, ४८.०५% वर. हार्वेचा लीगल एजंट बेंचमार्क ७६ पैकी ६ वे ही त्याची सर्वोत्तम जागा आहे, आणि फायनान्स एजंट v2 त्याला ७६ पैकी २२ वे ठेवते.

सायबर निकालाला तळटीप हवी

मिस्ट्रल लार्ज ४ ची सर्वाधिक विक्री सुरक्षा कामासाठी करत आहे. एखादी खरी ओपन-सोर्स त्रुटी पुन्हा घडवून तिच्यावर पॅच करायला सांगणाऱ्या चाचणीवर ते ८२% नोंदवते, आणि म्हणते की क्लॉड ओपस ५.५ आणि GPT-6 Astra त्या चाचणीवर जवळजवळ शून्य गुण घेतात कारण ते काम नाकारतात.

आर्टिफिशियल अनॅलिसिसची स्वतःची सायबर मोजमापे त्या दिशेला पुष्टी देतात. ActuIA १८ मॉडेलपैकी पाचवा क्रमांक देणारा ४९.५ चा सायबर इंडेक्स स्कोअर नोंदवते, आणि इंडेक्सच्या CyberGym-E2E चाचणीवर ८१.७%, जे १८ मध्ये सर्वोत्तम आहे. त्या वृत्तानुसार GPT-6 Astra ने १००% नकार दराने शून्य गुण मिळवले, आणि क्लॉड ओपस ५.५ ने ९८.५% नकारांसह ०.८%.

द डिकोडर नमूद करते की हा निकाल क्षमतेइतकाच पुरवठादाराच्या धोरणाचा आहे, कारण जे मॉडेल एखादे काम नाकारते ते ते पूर्ण करू शकत नाही. वैध संशोधन आणि हल्ल्याची तयारी यांत मिस्ट्रल फरक कसा करते हे त्याने स्पष्ट केलेले नाही. रेड-टीमिंगदरम्यान तपासलेल्या भागीदारांना आणि राज्य प्राधिकरणांना कमी नियंत्रण आणि वाढीव सायबर क्षमतांची आवृत्ती मिळेल, असे मिस्ट्रल म्हणते. सार्वजनिक आवृत्ती त्या क्षमता मर्यादित करते, असे ट्रेंडिंग टॉपिक्स सांगते.

किंमत आणि परवाना

सूचीतील किंमत प्रति दशलक्ष इनपुट टोकन $१.३६ आणि प्रति दशलक्ष आउटपुट टोकन $४.१८ आहे. त्याचे निम्मे दर, $०.६८ आणि $२.०९, मॉडेल कार्डवर सवलतीची किंमत म्हणून दिसले. आर्टिफिशियल अनॅलिसिसच्या पानाबद्दल Unite.AI चे वृत्त या सवलतीचे वर्णन पहिल्या दोन आठवड्यांसाठीची प्रक्षेपण ऑफर असे करते, तर ActuIA ला कोणतीही समाप्तीची तारीख सांगितलेली आढळली नाही.

परवाना हे मोठे अज्ञात आहे. कंपन्या मॉडेल व्यावसायिक वापरासाठी वापरू शकतात की नाही हे तो ठरवतो, आणि मिस्ट्रलची प्रक्षेपण पोस्ट किंवा मॉडेल कार्ड कोणतेही नाव देत नाही. मिस्ट्रलचे दस्तऐवजीकरण दाखवते की लार्ज ३ अपाचे २.० या उदार परवान्याखाली आले होते. ट्रेंडिंग टॉपिक्सनुसार, मीडियम ३.५ वर सुधारित MIT परवाना आहे जो मासिक महसूल $२ कोटींहून अधिक असलेल्या कंपन्यांना वगळतो, आणि व्हेंचरबीटने लार्ज ४ साठी तपशिलांशिवाय एका कस्टम परवान्याचे वृत्त दिले. tuput ला ते व्हेंचरबीटचे वृत्त सापडले नाही. ActuIA नमूद करते की वेट्सबरोबर येणाऱ्या तपशिलांची मिस्ट्रलची यादी आर्किटेक्चर, बेंचमार्क आणि प्रशिक्षण पद्धत यांना व्यापते, आणि परवान्याचा उल्लेख करत नाही.

तो कोणासाठी आहे, आणि त्याच महिन्यातील एक प्रतिस्पर्धी

मिस्ट्रल वित्त, अभियांत्रिकी, उत्पादन, लॉजिस्टिक्स, औषधनिर्माण, विज्ञान, जहाज वाहतूक आणि सार्वजनिक क्षेत्र यांना लक्ष्य ग्राहक म्हणून नाव देते, तसेच मॉडेल खासगी क्लाउडवर किंवा स्वतःच्या सर्व्हरवर चालवू इच्छिणाऱ्या सुरक्षा संघांना. त्याची पोस्ट म्हणते: “युरोपात घडवले. एआय सार्वभौमत्वासाठी बनवले.” तोच युक्तिवाद भारताच्या स्वदेशी मॉडेलच्या प्रयत्नांमागे आहे, ज्याबद्दल tuput ने भारत स्वतःच्या भाषांत एआय बनवत आहे मध्ये लिहिले. या प्रणाली काय करतात याच्या सर्वसाधारण स्पष्टीकरणासाठी चॅटबॉट पुढचा शब्द कसा अंदाजतो पाहा.

त्याच्या मागे आणखी एक प्रकाशन रांगेत आहे. ५ ऑक्टोबरला टेकक्रंचने वृत्त दिले की ब्रुकलिनमधील स्टार्टअप रिफ्लेक्शन एआय, ज्याची स्थापना गूगल डीपमाइंडच्या दोन माजी संशोधकांनी केली, त्याने Beam जाहीर केले, एकूण ५०१ अब्ज आणि २३ अब्ज सक्रिय पॅरामीटर असलेले फक्त मजकुराचे मिक्स्चर-ऑफ-एक्स्पर्ट्स मॉडेल. रिफ्लेक्शन म्हणते की Beam प्रगत रिझनिंग बेंचमार्कवर Z.ai च्या GLM-5.2 शी बरोबरी करते आणि ऑक्टोबरमध्ये वेट्स प्रसिद्ध करेल. टेकक्रंच नमूद करते की हे दावे कंपनीचे स्वतःचे आहेत, आणि परवान्याचे नाव देत नाही.

प्रीव्ह्यूमागचा रिइन्फोर्समेंट लर्निंगचा प्रयोग अजून सुरू आहे आणि मोठ्या सुधारणांची अपेक्षा आहे, असे मिस्ट्रल म्हणते, त्यामुळे ३८ हा अंतिम स्कोअर नसू शकतो. वेट्ससाठी मिस्ट्रलची मुदत ऑक्टोबरचा शेवट आहे.