Mistral AI บริษัท AI สัญชาติฝรั่งเศส เปิดตัวโมเดลภาษาขนาดใหญ่ตัวใหม่ "Mistral Large 4" ในรูปแบบพรีวิวสาธารณะเมื่อวันที่ 6 ตุลาคม 2026 ภายในบริษัทโมเดลนี้มีชื่อเล่นว่า "Le Chonk"
ภาพรวมของการประกาศ
ตามประกาศอย่างเป็นทางการ Mistral Large 4 เป็นโมเดลแบบ MoE (Mixture of Experts) ที่มีพารามิเตอร์รวม 1 ล้านล้าน และใช้พารามิเตอร์ในการประมวลผลแต่ละครั้ง (พารามิเตอร์ที่ทำงานอยู่) 49,000 ล้าน เป็นโมเดลมัลติโมดัลที่รองรับทั้งข้อความและภาพ และมีทั้งโหมดที่ตอบได้รวดเร็วและโหมดที่ใช้เวลาคิดให้เหตุผลอย่างรอบคอบอยู่ในโมเดลเดียว
การฝึกโมเดลใช้ GPU NVIDIA Grace Blackwell จำนวน 3,800 ตัวในศูนย์ข้อมูลที่ Mistral ดำเนินการเองในยุโรป บริษัทระบุว่ารองรับมากกว่า 160 ภาษา ซึ่งรวมถึงภาษาราชการทุกภาษาของสหภาพยุโรป
ตัวเลขสำคัญ
ตัวเลขหลักที่ Mistral เปิดเผยมีดังนี้
- ได้ 61.7% ใน "DeepSWE v1.1" ซึ่งทดสอบการพัฒนาซอฟต์แวร์
- ได้ 28.3% ใน "Terminal-Bench 4.0" ซึ่งทดสอบการเขียนโค้ดแบบเอเจนต์
- ได้ 59.9% ใน "AutomationBench" ซึ่งทดสอบการทำงานอัตโนมัติในธุรกิจ
- ได้ 93% ใน "Cybench" ซึ่งรวบรวมโจทย์จากการแข่งขันด้านความปลอดภัย 40 ข้อ
- ราคา API ต่อ 1 ล้านโทเค็น: อินพุต 1.36 ดอลลาร์ เอาต์พุต 4.18 ดอลลาร์
ตัวเลขเบนช์มาร์กทั้งหมดเป็นข้อมูลที่ Mistral เปิดเผยเอง Mistral ระบุว่าโมเดลนี้มีประสิทธิภาพสูงกว่าโมเดลโอเพนเวตใด ๆ ที่พัฒนาในสหรัฐฯ หรือยุโรปอย่างมาก
ช่องทางใช้งานและแผนต่อไป
ขณะนี้สามารถใช้งานรุ่นพรีวิวได้ผ่าน API ของ "Mistral Studio" สำหรับนักพัฒนา (model ID: mistral-large-4-0) โดยมีแผนจะเปิดเผยน้ำหนักโมเดล (weights) ภายในสิ้นเดือนตุลาคม หลังจากนั้นทุกคนจะสามารถดาวน์โหลดไปรันบนเซิร์ฟเวอร์ของตนเองได้
Mistral ระบุว่ารุ่นพรีวิวยังอยู่ระหว่างการปรับแต่งด้วยการเรียนรู้แบบเสริมกำลัง (reinforcement learning) คุณภาพจึงอาจแตกต่างจากรุ่นทางการ นอกจากนี้ เนื่องจากโมเดลมีความสามารถสูงในด้านความปลอดภัยไซเบอร์ บริษัทจึงร่วมมือกับบริษัทด้านความปลอดภัย หน่วยงานภาครัฐ และองค์กรอื่น ๆ ในการทดสอบ (red teaming)
มุมมองของกองบรรณาธิการ CoAI
การที่บริษัทจากยุโรปเปิดตัวโมเดลโอเพนเวตประสิทธิภาพสูงที่รันในสภาพแวดล้อมของตนเองได้ ถือเป็นทางเลือกสำคัญสำหรับองค์กรที่ไม่ต้องการส่งข้อมูลออกไปภายนอก อย่างไรก็ตาม การรันโมเดลขนาด 1 ล้านล้านพารามิเตอร์ด้วยตนเองต้องใช้ทรัพยากรประมวลผลจำนวนมาก แนวทางที่เป็นไปได้จริงคือทดลองประสิทธิภาพผ่าน API ก่อน แล้วค่อยตรวจสอบเงื่อนไขไลเซนส์และสภาพแวดล้อมที่จำเป็นหลังจากเปิดเผยน้ำหนักโมเดลในช่วงสิ้นเดือน
