Французская Mistral открыла веса модели Mistral Large 4, известной внутри компании под прозвищем Le Chonk из-за масштаба примерно в триллион параметров. В тесте Terminal-Bench 4.0 модель получила 41% против 28% у предварительной версии, а для русскоязычных команд это ещё один аргумент смотреть не только на API американских лабораторий, но и на разворачиваемые у себя модели для разработки и ИБ.
Релиз состоялся после трёх недель закрытого тестирования с партнёрами, сообщает ZDNet. Вместе с весами Mistral добавила три режима рассуждения — низкий, средний и высокий. Идея знакомая по крупным моделям: не тратить максимум вычислений на рутинную задачу, но дать модели больше времени на сложный разбор кода, отладку или проектирование изменений.
По индексу Coding Agent Index от Artificial Analysis новая версия заняла первое место среди открытых моделей западной разработки. В сводном рейтинге, который объединяет результаты трёх профильных бенчмарков, Large 4 получила 48 баллов. Это на один балл меньше, чем у GLM-5.3, и столько же, сколько у Codex GPT-6.1 Terra. Важно не превращать эту цифру в таблицу абсолютной истины: бенчмарки зависят от методики, а индустрия уже сталкивалась с попытками подгонять модели под тесты. Но рост с 28% до 41% на Terminal-Bench за несколько недель — вполне предметный сигнал.
Terminal-Bench проверяет не умение дописать знакомую функцию по подсказке, а работу в окружении, похожем на реальную инженерную задачу. Агенту нужно ориентироваться в терминале, менять файлы, запускать команды и доводить задачу до результата. Именно здесь становится заметна разница между моделью, которая красиво объясняет код в чате, и инструментом, которому можно поручить часть повседневной разработки.
Mistral отдельно подчёркивает экономичность: по её данным, Large 4 конкурирует с GLM-5.3 в Coding Agent Index, расходуя в среднем на 47% меньше токенов на задачу. Для компаний это не декоративная характеристика. В агентных сценариях счёт идёт не за один ответ, а за цепочку чтения репозитория, вызовов инструментов, исправлений и повторных проверок. Если сопоставимое качество действительно достигается с меньшим расходом токенов, стоимость внедрения AI-помощника становится заметно понятнее финансовому директору, а не только энтузиасту из платформенной команды.
Вторая ставка Mistral — кибербезопасность. В ходе тестов ранние партнёры получили менее ограниченную версию модели с расширенными возможностями в области ИБ. На защитном бенчмарке CyberGym Le Chonk немного обошла DeepSeek V4.1 Flash. Тест оценивает практическую работу с уязвимостями памяти в открытых C/C++-проектах: модель должна найти проблему, воспроизвести её с помощью proof-of-concept и предложить исправление, не ломающее существующие тесты.
Для инженеров по безопасности открытые веса здесь имеют двойной смысл. Их можно запускать в контролируемом контуре, настраивать под внутренние правила и не отправлять чувствительный код внешнему провайдеру. Но открытость сама по себе не делает модель безопасной: те же способности к поиску ошибок могут использоваться и не в оборонительных целях. Сооснователь Mistral Гийом Лампль на октябрьском брифинге говорил, что контролируемые пользователем инструменты защиты нужны организациям, которым приходится противостоять атакующим, обходящим ограничения закрытых моделей.
Результат выглядит особенно заметным на фоне ресурсов лидеров рынка. Mistral заявляет, что обучала Mistral Large 4 с нуля два месяца на 4 000 GPU Nvidia Grace Blackwell в собственных европейских дата-центрах. Для сравнения, глава Nvidia Дженсен Хуанг ранее говорил примерно о 100 000 GPU для обучения GPT-6 Astra. Сопоставлять эти цифры напрямую нельзя: различаются архитектуры, объёмы данных и методики обучения. Однако они хорошо показывают направление гонки: небольшие лаборатории пытаются выигрывать не количеством ускорителей, а эффективностью обучения и удобством развёртывания.
Открытые модели уже не выглядят запасным вариантом для случаев, когда бюджет не дотянулся до закрытого API. Следующая проверка для Mistral — подтвердится ли преимущество Large 4 в реальных репозиториях, корпоративных контурах и задачах защиты, где цена ошибки выше результата бенчмарка. Детали релиза и исходные показатели доступны в материале .
