Французская Mistral представила Mistral Large 4 — открытую по весам модель, которую компания позиционирует как инструмент киберзащиты под контролем заказчика. Модель уже доступна в публичном превью, а публикацию весов Mistral запланировала на 27 октября: для бизнеса это шанс не отдавать защитные ИИ-процессы в полную зависимость от облачного вендора.
Модель получила неофициальное прозвище Le Chonk — из-за масштаба порядка триллиона параметров. Как сообщает ZDNet, Mistral делает ставку не на универсального чат-бота, а на сценарии, где компаниям и госструктурам нужен собственный контур: анализ угроз, работа с уязвимостями, исследование инцидентов и автоматизация защитных операций.
Главный аргумент Mistral звучит болезненно знакомо для CISO: доступ к закрытой модели не является активом компании. Поставщик может изменить тариф, правила использования, доступность региона или просто отключить API. Открытые веса позволяют развернуть Mistral Large 4 самостоятельно и контролировать, где хранятся данные, какие политики заданы модели и кто имеет к ней доступ.
Сооснователь Mistral Гийом Лампль связывает релиз с ростом атак, в которых злоумышленники обходят ограничения коммерческих моделей и используют их для киберопераций. Логика компании проста: если атакующие получают ИИ-инструменты, защитникам не стоит строить оборону исключительно на сервисе, который принадлежит третьей стороне и работает по её правилам.
Открытые веса вместо аренды интеллекта
Ещё недавно открытые модели часто критиковали именно за управляемость: их проще дообучить, изменить ограничения и применить не по назначению. Но серия инцидентов вокруг ИИ-безопасности изменила расстановку акцентов. Закрытые модели тоже поддаются обходу защитных барьеров, а для организаций остаётся дополнительный риск — критичный инструмент защиты живёт в чужом облаке.
Mistral входит в Open Secure AI Alliance, созданный при участии Nvidia после инцидента с Hugging Face. Альянс продвигает идею, что доступные и настраиваемые модели помогут расширить круг тех, кто способен защищаться от ИИ-угроз. Это не отменяет рисков: открытая модель требует зрелой инфраструктуры, контроля доступа, аудита промптов и действий агентов. Зато она даёт возможность выстроить эти меры внутри своего периметра, а не ждать, пока их реализует провайдер.
До публикации весов Mistral оставила себе почти месяц на проверку поведения модели вместе с разработчиками, руководителями по кибербезопасности и государственными органами. Отдельные партнёры на раннем этапе получат менее ограниченную версию с расширенными кибервозможностями. Подход похож на практику крупных американских лабораторий, которые сначала открывают мощные функции ограниченному кругу тестировщиков, а уже затем расширяют доступ.
Компания заявляет, что по кибервозможностям ML4 превосходит модели Kimi, DeepSeek и Meta, однако итоговые бенчмарки ещё не опубликованы. Ранние внешние оценки, на которые ссылается Mistral, показывают сопоставимый уровень с дорогими закрытыми моделями в отдельных задачах компьютерного зрения. В финансовых рабочих задачах модель конкурировала с DeepSeek, а в бенчмарке Harvey Legal Agent достигла 15% — нового для открытых моделей результата. Эти цифры полезны как ориентир, но не как повод немедленно переписывать дорожную карту: бенчмарки умеют измерять прогресс, но плохо измеряют реальную готовность к вашему SOC.
Четыре тысячи GPU против ста тысяч
Особенно любопытна экономика обучения. Mistral утверждает, что обучила модель с нуля на 4 000 Nvidia Grace Blackwell GPU за два месяца в собственных европейских дата-центрах. Для сравнения, глава Nvidia Дженсен Хуанг говорил, что OpenAI использовала для обучения GPT-6 Astra около 100 000 GPU. Сопоставлять модели напрямую по этому параметру было бы слишком смело: архитектуры, данные, режимы обучения и целевые задачи различаются. Но разрыв в масштабе инфраструктуры показывает, что европейская лаборатория пытается конкурировать не только размером кластера.
Для русскоязычных команд практический вывод не сводится к вопросу «какая модель умнее». Организациям с чувствительными данными стоит оценить, нужен ли им управляемый сервис или контролируемое развертывание в собственном контуре. Во втором случае придётся платить не только за GPU: понадобятся специалисты по MLOps и безопасности, журналирование, изоляция инструментов, красные команды и понятная процедура реагирования на ошибки ИИ-агента. Самостоятельное размещение не лечит риски — оно переносит ответственность туда, где ей и положено быть.
Mistral также обещает варианты самостоятельного развёртывания и доступ по API в выбранном регионе, включая европейский суверенный регион с хранением данных под юрисдикцией ЕС. Компания рассчитывает использовать базовую модель для специализированных и оптимизированных версий. Главный вопрос после 27 октября будет не в том, насколько громко звучит Le Chonk, а в том, смогут ли независимые тесты подтвердить её преимущество в реальных защитных сценариях — от расследования инцидентов до безопасной работы автономных агентов. Детали релиза и заявленные параметры доступны у .