--- service: "Publicasta" schema_version: "1.0" article_id: 1051 title: "Mistral Large 4 — модель с открытыми весами. Настоящая проверка — сможете ли вы её запустить" language: "ru" default_language: "en" canonical_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=ru" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=ru" api_url: "https://publicasta.com/api/public/v1/channels/open_source_radar/articles/mistral_large_4_open_weights_hardware_license_deployment_test?lang=ru" channel_url: "https://publicasta.com/api/public/v1/channels/open_source_radar" channel_articles: "https://publicasta.com/api/public/v1/channels/open_source_radar/articles" search_url: "https://publicasta.com/api/public/v1/search" documentation_url: "https://publicasta.com/api-docs#reading-publicasta" openapi_url: "https://publicasta.com/api-docs/openapi.json" published_at: "2026-10-30T06:40:56+00:00" updated_at: "2026-10-30T06:40:56+00:00" translations: - language: "ar" html_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=ar" markdown_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.md?lang=ar" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=ar" - language: "de" html_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=de" markdown_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.md?lang=de" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=de" - language: "en" html_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=en" markdown_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.md?lang=en" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=en" - language: "es" html_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=es" markdown_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.md?lang=es" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=es" - language: "fr" html_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=fr" markdown_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.md?lang=fr" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=fr" - language: "pl" html_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=pl" markdown_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.md?lang=pl" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=pl" - language: "ru" html_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=ru" markdown_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.md?lang=ru" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=ru" - language: "zh" html_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test?lang=zh" markdown_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.md?lang=zh" json_url: "https://publicasta.com/open_source_radar/mistral_large_4_open_weights_hardware_license_deployment_test.json?lang=zh" --- # Mistral Large 4 — модель с открытыми весами. Настоящая проверка — сможете ли вы её запустить > Mistral опубликовала веса мультимодальной модели с триллионом параметров. Теперь вопрос не только в доступе к API, но и в оборудовании, серверном ПО, лицензии и практической пользе локального развёртывания для вашей команды. Mistral Large 4 теперь доступна в виде весов для скачивания — через три недели после того, как компания открыла публичный предварительный доступ к модели через API. Значение этого релиза не сводится к тому, что «открытые» модели продолжают расти. Гораздо важнее более узкий вопрос: что теперь сможет сделать разработчик, команда безопасности или исследовательская группа, чего не позволяла модель, доступная только через API, — и что всё ещё остаётся непрактичным? ![Графические серверы и абстрактная визуализация мультимодальной ИИ-сети в дата-центре](https://publicasta.com/storage/projects/10/pages/1051/2026/10/afbce7b9-9dc6-42fd-9325-ce8ae87e82c7.webp) Ответ неоднозначен. Mistral Large 4, также называемая Le Chonk, — мультимодальная модель Mixture-of-Experts с одним триллионом параметров и контекстным окном на миллион токенов. При обработке каждого токена активны примерно 52 миллиарда параметров, однако полный чекпойнт по-прежнему намного больше того объёма, который большинство разработчиков может хранить или обслуживать локально. Mistral опубликовала чекпойнт в формате FP8 и вариант NVFP4, призванный снизить требования к памяти на новом оборудовании NVIDIA. Это важный релиз модели с открытыми весами, но не загрузка для настольного компьютера. Для большинства читателей непосредственная ценность заключается не в возможности «запустить модель на ноутбуке». Она в том, что теперь можно изучить карточку модели, развернуть её в рамках контролируемой инфраструктурной политики, оценивать без зависимости от удалённой конечной точки и понять, соответствуют ли лицензия и стоимость оборудования конкретной рабочей нагрузке. ## Что изменилось 29 октября 6 октября Mistral представила Large 4 в формате публичного предварительного доступа и заявила, что веса появятся до конца месяца. 29 октября компания опубликовала улучшенный чекпойнт, описав проделанную за это время работу как дополнительное обучение с подкреплением и сбор обратной связи от разработчиков, клиентов и партнёров по безопасности. Релиз доступен в [официальном объявлении Mistral](https://mistral.ai/news/mistral-large-4-oss/) и в [репозитории моделей компании на Hugging Face](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B). Mistral также предоставляет отдельный [репозиторий NVFP4](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B-NVFP4) с меньшим квантованным чекпойнтом, рассчитанным на графические процессоры класса Blackwell. Модель принимает текст и изображения, поддерживает вызов функций и структурированный вывод в JSON, а также позволяет настраивать интенсивность рассуждений. В карточке модели описаны три режима: низкий для простых запросов, средний для обычных задач и высокий для сложных. С операционной точки зрения это важно потому, что для самостоятельно размещённой модели имеет значение не только её способность ответить на запрос. Важно также, сколько вычислительных ресурсов и сгенерированных токенов потребляет каждый ответ. В собственных примечаниях к релизу Mistral сообщает о результате 48% в Artificial Analysis Coding Agent Index, 41% в Terminal-Bench 4.0 и 19,7% в бенчмарке Cognition FrontierCode 2.0. Компания утверждает, что модель соответствует ведущей системе с открытыми весами в одном из индексов программирования, используя на 47% меньше токенов на задачу, а её результат в Terminal-Bench вырос на 13 процентных пунктов по сравнению с предварительной версией. Эти показатели дают полезные ориентиры, но не заменяют локальное тестирование. Они получены от самой компании либо зависят от внешних оценок со своими запросами, тестовыми оболочками и правилами подсчёта. Команде, решающей, стоит ли внедрять Large 4, лучше воспроизвести небольшую рабочую нагрузку, характерную для её задач, а не делать выводы по позиции в рейтинге. ## «Один триллион параметров» — это не план локального развёртывания Заявленное число параметров скрывает первое практическое ограничение. Во время вывода Large 4 работает разреженно: для каждого токена используется лишь часть сети Mixture-of-Experts. Это помогает с пропускной способностью и стоимостью, но не избавляет от необходимости хранить всю модель в памяти. Системе обслуживания по-прежнему нужны веса, а также память для среды выполнения, визуального энкодера, кэша ключей и значений, пакетной обработки и операционной системы. Официальный репозиторий FP8 содержит около терабайта данных модели. Репозиторий NVFP4 значительно меньше, но всё равно относится к категории решений для дата-центров. В карточке модели для формата NVFP4 рекомендуются графические процессоры Blackwell, а в примерах обслуживания используется тензорный параллелизм по восьми направлениям. Иными словами, квантованный релиз снижает порог по сравнению с чекпойнтом в формате, близком к полной точности, но не превращает Large 4 в удобную модель для одного GPU. Это различие легко упустить, когда на странице модели сказано, что активны только 52 миллиарда параметров. «Активные» описывают вычисления, выполняемые для одного токена. Это не означает, что остальные эксперты можно удалить из развёртывания. Система обслуживания всё равно должна находить нужных экспертов и обычно хранить чекпойнт распределённым по кластеру или в системе с большим объёмом объединённой памяти. Есть три реалистичные категории развёртывания: - **Облачный инференс:** использовать API Mistral, управляемого провайдера или эндпоинт, размещённый NVIDIA. Это самый простой способ оценить качество и задержку и единственная разумная отправная точка для большинства индивидуальных разработчиков. - **Контролируемый приватный инференс:** запускать модель на арендованном или собственном оборудовании дата-центра через vLLM, SGLang или совместимый стек обслуживания. Это может быть оправдано, когда важны локализация данных, предсказуемый доступ, собственная маршрутизация или большой объём запросов. - **Локальные эксперименты:** пробовать сильно квантованную сборку на необычно большом объёме объединённой памяти или рабочей станции с несколькими GPU. Для небольшого числа команд это возможно, но не является сценарием по умолчанию, который обычно подразумевают под «доступными для скачивания весами». В карточке модели перечислены интеграции с [vLLM](https://github.com/vllm-project/vllm), [SGLang](https://github.com/sgl-project/sglang) и [llama.cpp](https://github.com/ggml-org/llama.cpp). Наличие интеграции обнадёживает, но его не следует путать с полноценной поддержкой любого оборудования. Совместимость версий, тензорный параллелизм, ядра квантования, обработка изображений, разбор вызовов инструментов и поведение памяти при работе с длинным контекстом нужно тестировать вместе. ## В открытом ПО важен контроль, а не громкий ярлык Mistral называет Large 4 моделью с открытыми весами. Это точнее, чем просто назвать её открытым исходным кодом. Веса доступны, а модель можно развёртывать и адаптировать на условиях опубликованной лицензии. Но сам релиз автоматически не даёт тех же свобод, модели управления или гарантий воспроизводимости, которые обычно связывают с традиционным проектом открытого ПО. В репозиториях модели лицензия указана как Mistral Ecosystem Open-Weight License — модифицированная лицензия в стиле MIT. В [разделе о лицензии карточки модели NVFP4](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B-NVFP4) сказано, что коммерческое и некоммерческое использование разрешены, однако для работы бизнеса по модели Model-as-a-Service требуется отдельная коммерческая лицензия Mistral. Это условие имеет ключевое значение. Компания, вероятно, сможет скачать веса, использовать их для внутренних задач, адаптировать модель и встроить её возможности в продукт. Но компания, планирующая предоставить третьим сторонам прямой доступ к модели через API или размещённый эндпоинт, может попасть в другую категорию. Конкретную бизнес-модель следует проверить на соответствие лицензии ещё до начала инженерных работ. Лицензия — лишь один уровень решения о развёртывании. Организациям отдельно стоит изучить: - сведения о предполагаемом использовании и безопасности в карточке модели; - происхождение и условия использования любых дополнительных данных для обучения или адаптеров; - состояние безопасности фреймворка обслуживания и образов контейнеров; - порядок хранения логов, промптов, изображений и вызовов инструментов; - процесс обновления или замены чекпойнта; - возможность в дальнейшем воспроизвести ту же конфигурацию квантования и обслуживания. Скачанный чекпойнт даёт команде больше контроля над доступностью и движением данных. Но он не снимает операционную ответственность. Напротив, она становится заметнее: команда сама отвечает за контроль доступа, установку патчей, мониторинг, обнаружение злоупотреблений, реагирование на инциденты и планирование мощностей, вместо того чтобы передавать эти задачи провайдеру API. ## Почему важны мультимодальность и длинный контекст Large 4 — это не просто текстовая модель, к которой приписали большое значение длины контекста. Mistral описывает её как нативно мультимодальную: в ней есть визуальный энкодер и поддерживается ввод изображений. Практические применения — ответы на вопросы по документам, интерпретация графиков и диаграмм, работа с инженерными чертежами, визуальный контроль и сценарии, объединяющие репозиторий или коллекцию документов с изображениями. Окно контекста на миллион токенов также может уменьшить необходимость агрессивно суммировать очень большие входные данные. На первый взгляд это очевидное преимущество, но оно порождает собственные инженерные вопросы. Длинный контекст не даётся бесплатно. Запрос по-прежнему нужно передать, токенизировать, закэшировать и обработать. Модель может принять огромный промпт, но ответ при этом окажется дорогим или медленным. Для регулярно выполняемых задач извлечение данных, разбиение на фрагменты и поэтапный анализ всё ещё могут быть дешевле и надёжнее. Поэтому правильный вопрос звучит не так: «может ли модель обработать миллион токенов?». Нужно спросить: «сохраняет ли модель факты и выполняет ли задачу, когда нужный материал распределён по большому входному массиву?». Командам стоит собрать небольшой набор тестов с длинными документами, таблицами, скриншотами, противоречивыми инструкциями и нерелевантным контекстом. Измеряйте точность цитирования, пропущенные детали, задержку, использование памяти и восстановление после сбоев. К возможностям работы с изображениями следует относиться столь же осторожно. Модель, способная описать изображение, не обязательно подходит для регулируемой визуальной инспекции или решений, критичных для безопасности. На результат могут повлиять обработка разрешения, распознавание мелкого текста, предварительная обработка изображения и калибровка неопределённости. Если приложение связано с физическим оборудованием, медицинскими материалами, финансовыми документами или доказательствами по вопросам безопасности, сохраняйте возможность проверки человеком и тестируйте вводящие в заблуждение или специально подготовленные входные данные. ## Результаты в программировании многообещающие, но сначала нужно посчитать стоимость обслуживания В релизе Mistral значительное внимание уделено агентам для программирования. Компания сообщает о сильных результатах на бенчмарках для работы в терминале и на уровне репозитория, а настраиваемые режимы рассуждения призваны сделать компромисс между производительностью и стоимостью явным. Для команд, создающих внутренние инструменты программирования, это важно. Но первый вопрос не в том, умеет ли Large 4 писать код. Многие современные модели способны выдавать правдоподобные патчи. Гораздо полезнее сравнить, может ли модель выполнить задачу в репозитории с меньшими совокупными затратами, сохранив тесты, соблюдая соглашения проекта, корректно используя инструменты и избегая разрушительных изменений. Практическая оценка должна включать задачи, похожие на настоящую работу: - исправить ошибку, при которой описано проявление проблемы, но причина не очевидна; - обновить зависимость с учётом lock-файла проекта и поддерживаемых сред выполнения; - добавить функцию, затрагивающую несколько модулей и требующую миграции; - исследовать нестабильный тест, не ослабляя бездумно проверку; - проверить изменение на риски, связанные с безопасностью или потерей данных; - объяснить патч так, чтобы другой сопровождающий мог его проверить. Тестовый стенд важен не меньше самой модели. Для каждого сравнения используйте одинаковые инструменты, ограничения по времени, снимок репозитория, команды запуска тестов и критерии приёмки. Фиксируйте не только то, проходит ли итоговый патч проверки, но и количество вызовов инструментов, частоту повторения неудачных действий, объём сгенерированного вывода и то, принял бы изменение проверяющий человек. Преимущество самостоятельного развёртывания особенно заметно, когда код или репозиторий нельзя отправлять стороннему сервису. Но оно может исчезнуть, если частный кластер недостаточно оснащён. Медленная модель, ставящая задачи в очередь на несколько часов, может оказаться менее полезной, чем небольшая размещённая модель с предсказуемой задержкой. В то же время группа со стабильной нагрузкой и уже имеющимися GPU может прийти к выводу, что частный инференс в долгосрочной перспективе выгоднее. ## Задачи безопасности — важный сценарий применения и повод для осторожности Mistral заявляет, что Large 4 тестировалась на задачах оборонительной кибербезопасности, включая поиск уязвимостей, их воспроизведение и исправление. Компания сообщает о результате 51% в Artificial Analysis Cyber Index и доле отказов 96,6% на вредоносные запросы в сфере кибербезопасности. Эти заявления указывают на реальный сценарий применения: команде безопасности может понадобиться модель, способная изучать код, рассуждать об уязвимости, предлагать исправление и работать в среде, где исходный код с конфиденциальными данными не может покидать организацию. Открытые веса также могут упростить проверку системы на соответствие внутренним политикам, вместо того чтобы полагаться на меняющееся поведение провайдера при отказе от запросов. Но модель безопасности с самостоятельным размещением не становится автоматически более безопасной системой защиты. Удаление провайдерских средств контроля переносит границу принятия решений на оператора. Команда должна определить, кто получает доступ к модели, какие инструменты она может вызывать, к каким сетям подключаться и какие действия требуют одобрения. Модель с сильными защитными показателями всё равно может генерировать вредоносные инструкции или опасно взаимодействовать с рабочей средой. Для первого испытания поместите модель в изолированную среду без продуктивных учётных данных и неограниченного доступа во внешнюю сеть. Передайте ей копии тестовых репозиториев только для чтения. Требуйте явного одобрения перед выполнением патча, созданием тикета, отправкой сообщения или обращением к инфраструктуре. Ведите журнал промптов, вызовов инструментов, изменений файлов и версий модели. Проверяйте устойчивость к prompt injection через исходные файлы, описания задач, документацию и изображения. Тот же принцип действует и для агентного программирования. Вызов функций делает модель полезнее, но одновременно создаёт для ошибок путь в реальный мир. Определите узкий набор инструментов. Отдавайте предпочтение обратимым операциям. Разделяйте планирование и выполнение. Пусть модель сначала предложит команду, а оболочка-обёртка решит, безопасно ли её запускать. Эти средства контроля важнее результата в бенчмарке. ## Кому стоит попробовать Large 4 уже сейчас Large 4 имеет смысл протестировать организациям, у которых уже есть хотя бы одна из следующих задач: - приватная мультимодальная модель для документов, схем или внутренних технических материалов; - суверенный или регионально контролируемый вариант инференса; - программа оценки coding-агентов с доступом к значительной GPU-инфраструктуре; - среда для исследований безопасности, где поведение модели необходимо измерять локально; - высоконагруженная задача, в которой стоимость токенов, перемещение данных или зависимость от провайдера становятся ограничением; - проект кастомизации модели, которому нужен доступ к весам, а не только к API. Для одиночного разработчика, которому нужен недорогой локальный помощник, небольшой команды без GPU-ресурсов или продукта, которому достаточно обычной генерации текста, это менее убедительный вариант. Таким пользователям стоит начать с API или меньшей модели с открытыми весами и сравнить результаты на реальной рабочей нагрузке. Скачивать чекпойнт размером в терабайт лишь ради доказательства, что его можно скачать, — не полезный эксперимент. Лучший первый шаг — короткое сравнительное испытание. Выберите от десяти до двадцати репрезентативных задач, включая ошибки текущей системы. Прогоните их через предварительную версию API, уже рассматриваемые альтернативы и конфигурацию развёртывания, которую вы действительно можете себе позволить. Отслеживайте качество, задержку, совокупную стоимость инфраструктуры, длину контекста, надёжность инструментов и время на исправления со стороны человека. Не исключайте скучные задачи. Модель, хорошо показывающая себя во впечатляющей демонстрации, всё равно может плохо извлекать поля из регулярно поступающего документа, соблюдать внутренний стиль, возвращать корректные структурированные данные или отказываться от небезопасного действия. Именно такое поведение определяет, переживёт ли система испытательный период. ## Альтернативы и точки сравнения Large 4 следует сравнивать с моделями, которые отвечают тому же операционному требованию, а не только с самыми громкими именами в рейтинге интеллектуальных способностей. К релевантным альтернативам могут относиться меньшие чекпойнты Mistral, модели для программирования с открытыми весами, например варианты GLM и DeepSeek, а также размещённые системы, предлагающие меньшую задержку и более сильную поддержку при меньших инженерных затратах. Для программирования сравнивайте завершение работы с репозиторием, сохранность тестов, использование инструментов и эффективность токенов. Для мультимодальной работы с документами — точность извлечения на собственных файлах и изображениях. Для приватного развёртывания — требования к памяти, зрелость средств обслуживания, качество квантования, пути обновления и лицензию, а не только сырые возможности. Меньшая модель может выиграть, если ей требуется меньше GPU, она быстрее запускается, обрабатывает больше параллельных запросов и выдаёт результаты, требующие меньшей проверки. Размещённая модель может оказаться лучше, если в организации нет людей для эксплуатации распределённого сервиса инференса. Large 4 — дополнительный вариант в этом решении, а не универсальная замена каждой уже используемой модели. ## Итог Выпуск весов Mistral Large 4 превращает обещание открытых весов в конкретную реальность. Разработчики могут изучать артефакты модели, разворачивать систему в соответствии с собственными инфраструктурными правилами, настраивать путь обслуживания и не передавать конфиденциальные рабочие нагрузки стороннему API. Мультимодальный ввод, длинный контекст, использование инструментов и заявленная производительность в задачах программирования делают модель серьёзным кандидатом для контролируемых экспериментов. Релиз не делает передовой инференс дешёвым или простым. Полный чекпойнт рассчитан на работу в дата-центре, для квантованной версии всё ещё требуется специализированное оборудование, а лицензию необходимо внимательно изучить всем, кто планирует предоставлять доступ к модели как к сервису. Самостоятельное размещение также означает ответственность за средства защиты, мониторинг, доступную мощность и обработку сбоев. Поэтому полезнее всего рассматривать Large 4 как инфраструктурный проект и проект по оценке модели. Начните с конкретной рабочей нагрузки, бюджета, цели развёртывания и чёткого определения приемлемого риска. Если при этих ограничениях модель улучшает реальный процесс, открытые веса имеют значение. Если же результатом становятся только впечатляющая страница загрузки и большой счёт за оборудование, релиз пока не решил вашу задачу.