مسترال (Mistral)، شرکت هوش مصنوعی فرانسوی، وزن‌های مدل تریلیون‌پارامتری خود با نام Mistral Large 4 (ML4) را به‌صورت متن‌باز منتشر کرد. این مدل که در اوایل همین ماه معرفی شده و لقب «Le Chonk» دارد، اکنون قابل دانلود و استقرار توسط سازمان‌ها و نهادهای دولتی است.

مزیت کارآمدی در برابر رقبای متن‌باز#

مسترال می‌گوید ML4 از نظر عملکرد با GLM-5.3، مدل متن‌باز چینی که تا پیش از این یکی از بهترین مدل‌های آزاد جهان به‌ویژه در حوزه امنیت سایبری شناخته می‌شد، قابل‌مقایسه است؛ اما ۴۷٪ توکن کمتری در هر تکلیف مصرف می‌کند. شرکت همچنین ادعا می‌کند که این مدل در تکالیف کدنویسی عامل‌محور (agentic coding) بر روی شاخص Coding Agent Index سایت Artificial Analysis، بالاتر از تمام مدل‌های متن‌باز دیگر قرار می‌گیرد.

تمرکز بر امنیت سایبری و استقرار درون‌سازمانی#

پیر استوک (Pierre Stock)، معاون علمی مسترال، در گفت‌وگو با TechCrunch گفت که انتشار وزن‌ها به این معناست که سازمان‌ها کنترل بیشتری بر نحوه استفاده از هوش مصنوعی برای دفاع از خود دارند. او توضیح داد: «به‌عنوان یک شرکت یا دولت، شما به هوش مصنوعی مرزی دسترسی دارید که نمی‌توان آن را قطع کرد، چون مدل وزن‌باز است.» استوک افزود که این مدل می‌تواند برای «شناسایی، هماهنگی و پاسخ بلادرنگ به حوادث امنیتی بزرگ» استفاده شود و سازمان‌ها قادرند آن را on-prem در اکوسیستم خود مستقر کنند.

آرتور منش (Arthur Mensch)، مدیرعامل مسترال، گفت که AI باید «ابزار توانمندسازی باشد نه سلطه» و ادعا کرد که ML4 عملکرد state-of-the-art را با «بخش کوچکی از محاسبات و سرمایه‌ای که آزمایشگاه‌های بسته صرف کرده‌اند» ارائه می‌دهد.

استوک در پاسخ به نگرانی‌های اخیر درباره عامل‌های AI سرکش، ریسک را پذیرفت اما هشدار داد که واکنش افراطی داده نشود: «ما نمی‌خواهیم مردم را بترسانیم. فکر می‌کنیم این مسئله قابل‌حل است، اما امنیت خوب مسئله دشواری است.»

خوانش تحریریه: چه چیزی عوض می‌شود و چه چیزی نه#

برای کسی که همین حالا با ابزارهای موجود ایجنت و اتوماسیون می‌سازد، این خبر یک سیگنال مهم دارد: مدل‌های متن‌باز در حال رسیدن به سطحی هستند که ادعای رقابت با مدل‌های بسته را نه فقط از نظر کیفیت خروجی، بلکه از نظر هزینه محاسباتی هم مطرح می‌کنند. عدد ۴۷٪ کاهش توکن، اگر در عمل تأیید شود، یعنی هزینه استنتاج در مقیاس بزرگ به‌طور محسوسی پایین می‌آید — و این دقیقاً همان چیزی است که سازمان‌های دولتی و شرکت‌هایی که حجم بالای درخواست دارند به آن نیاز دارند.

اما دو نکته را نباید از نظر دور داشت. اول، ادعاهای عملکردی مسترال هنوز در بنچمارک‌های مستقل و مستقل‌تر تست نشده‌اند؛ Artificial Analysis یک سایت benchmarking است، نه یک داوری نهایی. دوم، «متن‌باز بودن وزن» به‌تنهایی به معنای «قابل‌استقرار بودن در هر زیرساختی» نیست. مدل تریلیون‌پارامتری یعنی hardware سنگین؛ سازمان‌هایی که این مدل را دانلود می‌کنند هنوز باید GPUهای کافی و تیم مهندسی برای inference در مقیاس داشته باشند. مزیت اصلی برای آن‌هاست که زیرساخت بزرگی دارند ولی نمی‌خواهند داده‌های حساسشان از مرزهای سازمان خارج شود.

منبع: TechCrunch AI