فهرست مطالب
شرکت فرانسوی میسترال (Mistral AI) امروز سه‌شنبه ۱۴ مهر ۱۴۰۵ (۶ اکتبر ۲۰۲۶) بزرگ‌ترین مدل خودش را معرفی کرد: Mistral Large 4 که خود شرکت به شوخی اسمش را «Le Chonk» گذاشته است؛ اصطلاحی اینترنتی برای گربه‌های خیلی تپل. این مدل حدود یک تریلیون پارامتر دارد، هم متن می‌فهمد و هم تصویر، و قرار است تا آخر همین ماه وزن‌هایش آزادانه منتشر شود؛ یعنی هر شرکت یا دولتی بتواند آن را دانلود کند و روی سرورهای خودش اجرا کند.
میسترال می‌گوید این قوی‌ترین مدل «وزن‌باز» است که بیرون از چین ساخته شده و در کارهایی مثل امنیت سایبری، امور مالی و تحلیل تصویر حرف اول را می‌زند. البته همهٔ عددهایی که فعلاً منتشر شده از خود میسترال است و هنوز کسی آن‌ها را مستقل آزمایش نکرده. در این مطلب ساده توضیح می‌دهیم این مدل چیست، چه چیزی واقعاً تازه است، کجاها باید محتاط بود و برای کاربر و برنامه‌نویس چه معنایی دارد.
پاسخ کوتاه: Mistral Large 4 چیست؟
یک مدل زبانی خیلی بزرگ از اروپا: حدود ۱ تریلیون پارامتر دارد، اما برای هر کلمه فقط حدود ۴۹ میلیارد پارامترش به کار می‌افتد.
چندرسانه‌ای در ورودی: متن و تصویر می‌گیرد، ولی خروجی‌اش فقط متن است.
فعلاً پیش‌نمایش: از امروز فقط از راه API در Mistral Studio در دسترس است.
وزن‌ها اواخر اکتبر: میسترال می‌گوید «تا آخر ماه»؛ رسانه‌هایی مثل VentureBeat و وال‌استریت ژورنال تاریخ ۲۷ اکتبر (۵ آبان) را گزارش کرده‌اند.
تمرکز ویژه: کدنویسی، دفاع سایبری، مالی، حقوقی، صنعت و تحلیل تصاویر ماهواره‌ای و نقشه‌های فنی.
برای تازه‌وارد: سه اصطلاح که باید بدانید
«پارامتر» یعنی چه و یک تریلیون چقدر است؟
پارامترها را می‌شود مثل پیچ‌های تنظیم ریز داخل مغز مدل تصور کرد. مدل در زمان آموزش، این پیچ‌ها را آن‌قدر جابه‌جا می‌کند تا بتواند متن را درست ادامه دهد. هرچه تعداد پارامترها بیشتر باشد، مدل جای بیشتری برای یاد گرفتن دارد؛ هرچند بزرگ‌تر بودن به‌تنهایی تضمین نمی‌کند که باهوش‌تر باشد. یک تریلیون یعنی هزار میلیارد. برای مقایسه، مدل قبلی میسترال یعنی Large 3 حدود ۶۷۵ میلیارد پارامتر داشت.
«ترکیب متخصص‌ها» (MoE): چرا همهٔ مدل با هم کار نمی‌کند؟
Large 4 با روشی ساخته شده که به آن Mixture-of-Experts یا «ترکیب متخصص‌ها» می‌گویند. مدل از تعداد زیادی بخش کوچک‌تر تشکیل شده و برای هر تکه از متن، فقط چند بخشی که به آن موضوع مربوط‌اند فعال می‌شوند. مثل بیمارستانی بزرگ که برای هر بیمار همهٔ پزشک‌ها را خبر نمی‌کنند. نتیجه این است که مدل دانش یک سیستم یک‌تریلیونی را دارد، ولی هزینهٔ اجرایش به یک مدل حدوداً ۴۹ میلیاردی نزدیک‌تر است.
مدل «وزن‌باز» با مدل «بسته» چه فرقی دارد؟
«وزن‌ها» همان عددهای نهایی پارامترها بعد از آموزش‌اند؛ در واقع خودِ مدل. مدل‌های بسته مثل GPT یا Claude را فقط می‌شود از سرورهای شرکت سازنده اجاره کرد و آن شرکت تصمیم می‌گیرد مدل چه کاری بکند یا نکند. مدل وزن‌باز را می‌شود دانلود کرد، روی سرور خود اجرا کرد و برای کار خاص خود تنظیمش کرد. دقت کنید که وزن‌باز لزوماً به معنای «متن‌باز کامل» نیست؛ ممکن است داده‌ها و کد آموزش منتشر نشوند و مجوز استفاده هم شرط‌هایی داشته باشد. VentureBeat گزارش داده که وزن‌های Large 4 احتمالاً با یک مجوز اختصاصی میسترال منتشر می‌شوند.
میسترال دقیقاً چه چیزی معرفی کرد؟
مشخصات اصلی در یک نگاه
ویژگی | Mistral Large 4 |
|---|---|
تعداد کل پارامترها | حدود ۱ تریلیون (در صفحهٔ رسمی مدل: ۱٫۰۵ تریلیون) |
پارامترهای فعال برای هر توکن | ۴۹ میلیارد |
ورودی و خروجی | ورودی متن و تصویر؛ خروجی فقط متن |
طول متن قابل پردازش (کانتکست) | ۱ میلیون توکن |
زبان‌ها | آموزش با بیش از ۱۶۰ زبان، از جمله همهٔ زبان‌های رسمی اتحادیهٔ اروپا |
سخت‌افزار آموزش | حدود ۴٬۰۰۰ پردازندهٔ گرافیکی Nvidia Grace Blackwell در دیتاسنترهای خود میسترال در اروپا (وبلاگ میسترال: ۳٬۸۰۰) |
وضعیت فعلی | پیش‌نمایش عمومی از راه API در Mistral Studio |
انتشار وزن‌ها | اواخر اکتبر ۲۰۲۶ (طبق گزارش‌ها ۲۷ اکتبر) |
میسترال این مدل را ترکیبی از حالت معمولی و حالت «استدلال» معرفی کرده است؛ یعنی هم می‌تواند سریع جواب بدهد و هم برای مسئله‌های سخت‌تر، قدم‌به‌قدم فکر کند. «توکن» هم تکه‌های کوچک متن است؛ چیزی در حد یک کلمه یا بخشی از آن. کانتکست یک‌میلیونی یعنی مدل می‌تواند حجم خیلی زیادی متن، مثلاً چند کتاب یا یک پروژهٔ نرم‌افزاری بزرگ، را یک‌جا ببیند.
اسم «Le Chonk» از کجا آمده؟
در ژوئن امسال (خرداد)، یک شوخی اینترنتی دربارهٔ مدلی خیالی از میسترال به اسم «Le Chaton Fat» (گربهٔ چاق) در X و ردیت دست‌به‌دست شد؛ با نمودارهای جعلی و مشخصات اغراق‌آمیز. به گزارش VentureBeat، حتی آرتور منش، مدیرعامل میسترال، هم به این شوخی پیوست. حالا میسترال واقعاً یک مدل یک‌تریلیونی ساخته و اسم خودمانی‌اش را «Le Chonk» گذاشته که در زبان اینترنتی به گربه‌های خیلی تپل می‌گویند. اگر می‌خواهید با کارهای قبلی این شرکت هم آشنا شوید، همکاری میسترال و موزیلا در فایرفاکس را بخوانید.
چرا وزن‌ها همین امروز منتشر نشده‌اند؟
سه هفته آزمایش با متخصصان امنیت و دولت‌ها
میسترال می‌گوید تا زمان انتشار وزن‌ها، مدل را در شرایط واقعی «رد تیمینگ» می‌کند. رد تیمینگ یعنی گروهی عمداً سعی می‌کنند مدل را به کار خطرناک یا اشتباه وادار کنند تا ضعف‌هایش پیش از انتشار پیدا شود. در این مدت، شرکت‌های امنیت سایبری، شریک‌های تأییدشده و نهادهای دولتی به نسخه‌ای از مدل دسترسی دارند که محدودیت کمتر و توانایی سایبری بیشتری دارد. نسخهٔ عمومی API محدودتر است.
پیر استاک، معاون علمی میسترال، به TechCrunch گفته هدف این است که مطمئن شوند وزن‌های منتشرشده «برای دفاع به کار بروند، نه حملهٔ مخرب». نکتهٔ مهم این است که بعد از انتشار وزن‌ها، دیگر نمی‌شود جلوی استفادهٔ نادرست را از راه سرور گرفت؛ هر کسی که مدل را دانلود کند، کنترلش را در دست دارد.
آموزش مدل هنوز تمام نشده
بخشی از آموزش این مدل با «یادگیری تقویتی» انجام می‌شود؛ روشی که مدل کاری را امتحان می‌کند، بازخورد می‌گیرد و کم‌کم بهتر می‌شود. میسترال می‌گوید این مرحله هنوز در جریان است و پیشرفت مدل هنوز به سقف نرسیده. برای همین عددهای امروز «اولیه» حساب می‌شوند و ممکن است نسخهٔ نهایی‌ای که وزن‌هایش منتشر می‌شود، با نسخهٔ امروز فرق داشته باشد.
در آزمون‌ها چقدر خوب است؟
همهٔ عددهای این بخش از جدول‌ها و وبلاگ خود میسترال است و شرکت خودش گفته که اولیه‌اند. پس آن‌ها را نشانهٔ مسیر بدانید، نه حکم نهایی.
کدنویسی
در آزمون DeepSWE که می‌سنجد مدل چقدر می‌تواند کارهای واقعی و طولانی مهندسی نرم‌افزار را خودش جلو ببرد، Large 4 حدود ۶۲ درصد گرفته است. در جدول میسترال، این عدد کمی بالاتر از GLM-5.3 از شرکت چینی Z.ai با ۶۱ درصد، DeepSeek V4 Pro با ۵۷ درصد و Qwen 3.8 Max با ۵۱ درصد است. میسترال همچنین می‌گوید در یک ارزیابی کور با داورهای انسانی، کدهای Large 4 بین پنج مدل دوم شده و فقط Claude Opus 5 از آن بهتر بوده است.
مالی و حقوقی
در آزمون مالی Finch که کار با صفحه‌گسترده‌ها و گزارش‌های حسابداری را می‌سنجد، Large 4 به ۶۷ درصد رسیده؛ هم‌تراز DeepSeek V4 Pro. در آزمون حقوقی شرکت Harvey هم ۱۵ درصد گرفته که از Kimi K3 با ۱۳ درصد و GPT-6 Astra با ۵ درصد بالاتر است. پایین بودن همهٔ این عددها نشان می‌دهد هیچ مدلی هنوز نمی‌تواند کار حقوقی را واقعاً به‌تنهایی انجام دهد.
دیدن و پیدا کردن چیزها در تصویر
میسترال بیشترین ادعا را در «یافتن دقیق اشیا در تصویر» دارد. مثلاً در آزمون DIOR-RSVG که روی تصاویر هوایی و ماهواره‌ای کار می‌کند، به گزارش The Next Web، Large 4 حدود ۷۳ درصد گرفته در برابر ۶۸ درصد GPT-6 Astra. میسترال می‌گوید از این توانایی می‌شود برای بررسی خسارت طوفان در عکس‌های هوایی، بازرسی خطوط برق یا تبدیل نقشه‌های فنی به مدل‌های CAD استفاده کرد.
امنیت سایبری
میسترال می‌گوید در شاخص امنیت سایبری Artificial Analysis جزو پنج مدل برتر دنیاست. در یکی از آزمون‌های این شاخص که از مدل می‌خواهد یک آسیب‌پذیری واقعی را بازسازی و بعد وصله کند، ۸۲ درصد گرفته است. به گفتهٔ میسترال، مدل‌های بسته‌ای مثل GPT-6 Astra و Claude Opus 5.5 در همین آزمون نزدیک صفر گرفته‌اند، چون اصلاً حاضر نشده‌اند کار را انجام دهند.
این عددها را چقدر باور کنیم؟
VentureBeat عددها را با منابع عمومی مقایسه کرده و به نکتهٔ مهمی رسیده: در جدول عمومی DeepSWE که بهترین تنظیم هر مدل را حساب می‌کند، GLM-5.3 و Kimi K3 حدود ۶۹ درصد و مدل‌های بسته‌ای مثل GPT-6 Astra، Gemini 3.8 Flash و Claude Opus 5 حدود ۷۴ درصد دارند. یعنی ۶۲ درصدِ Large 4 رقابتی است، اما برتری قطعی در کدنویسی نشان نمی‌دهد. CNBC هم نوشته این مدل در زمینه‌هایی مثل کدنویسی هنوز از مرز پیشرفته‌ترین مدل‌ها عقب‌تر است. تا روز انتشار مقاله، Large 4 هنوز در جدول‌های مستقل Artificial Analysis و DeepSWE دیده نمی‌شد.
چرا میسترال این‌قدر روی امنیت سایبری تأکید می‌کند؟
استدلال میسترال ساده است: تیم‌های امنیتی برای دفاع، باید هر روز سیستم‌هایشان را دنبال حفره‌های تازه بگردند و گاهی ثابت کنند یک حفره واقعاً قابل سوءاستفاده است. مدل‌های بسته معمولاً چنین درخواست‌هایی را «خطرناک» تشخیص می‌دهند و رد می‌کنند. تازه اگر وسط یک حملهٔ واقعی دسترسی به مدل قطع شود، خودش یک خطر امنیتی است.
گیوم لامپل، هم‌بنیان‌گذار و دانشمند ارشد میسترال، به CNBC گفته توانایی‌های دفاع سایبری این مدل به شرکت‌ها و دولت‌ها کمک می‌کند در برابر مهاجمانی که مدل‌های بسته را «جیلبریک» می‌کنند از خود دفاع کنند. جیلبریک یعنی دور زدن قفل‌های ایمنی مدل با ترفندهای مختلف. CNBC در همین گزارش به ماجرایی اشاره کرده که Hugging Face برای دفاع در برابر عامل‌های سرکش OpenAI سراغ مدل باز چینی GLM 5.2 رفت، چون مدل‌های بستهٔ آمریکایی کارش را حمله تشخیص داده بودند.
روی دیگر سکه هم مهم است: مدلی که در حمله و دفاع قوی است، اگر آزادانه منتشر شود، به دست مهاجم هم می‌افتد. میسترال می‌گوید نرخ رد کردن درخواست‌های سایبری مخرب در این مدل از همهٔ مدل‌های باز دیگر بالاتر است و ترافیک API را هم زیر نظر دارد. اینکه این محافظ‌ها بعد از دانلود آزاد وزن‌ها چقدر دوام بیاورند، هنوز معلوم نیست.
«هوش مصنوعی حاکمیتی» و جایگاه اروپا
چرا اروپا روی مدل خودش حساب می‌کند؟
میسترال خودش را «شمارهٔ یک در هوش مصنوعی حاکمیتی» معرفی می‌کند. منظور از هوش مصنوعی حاکمیتی این است که یک کشور یا شرکت بتواند مدل را روی زیرساخت خودش اجرا کند و نگران نباشد که یک کشور یا شرکت خارجی ناگهان دسترسی‌اش را قطع کند. Large 4 در دیتاسنترهای خود میسترال در اروپا آموزش دیده و میسترال می‌گوید یک نسخهٔ اروپایی از سرویس را هم کاملاً خودش و زیر قانون اروپا اداره می‌کند. میسترال تنها بازیگر اروپایی این میدان نیست؛ برای نمونه مدل باز Kolibri از Aleph Alpha آلمان هم با همین منطق ساخته شده است.
پول پشت این مدل
Large 4 اولین مدلی است که بعد از جذب سرمایهٔ ۳ میلیارد یورویی میسترال در ماه سپتامبر منتشر می‌شود؛ دوری که ارزش شرکت را به بیش از ۲۱ میلیارد یورو رساند و به گفتهٔ میسترال بزرگ‌ترین جذب سرمایهٔ سهامی یک شرکت فناوری اروپایی است. میسترال می‌گوید بیش از ۱۲۵ مشتری بزرگ مثل ایرباس، ASML و HSBC دارد و بخشی از آموزش Large 4 هم با همکاری همین مشتری‌ها انجام شده است.
رقابت با مدل‌های باز چینی
در یکی دو سال گذشته، قوی‌ترین مدل‌های وزن‌باز دنیا بیشتر از چین آمده‌اند: DeepSeek، Qwen از علی‌بابا، Kimi از Moonshot و GLM از Z.ai. همین موضوع به بحثی سیاسی بین آمریکا، چین و اروپا تبدیل شده است؛ از جمله دربارهٔ اتهام‌هایی مثل کمپین «تقطیر» منسوب به افراد مرتبط با Moonshot علیه OpenAI. ادعای اصلی میسترال هم دقیقاً همین‌جاست: نه اینکه از همهٔ مدل‌های دنیا بهتر است، بلکه اینکه «با فاصلهٔ زیاد» قوی‌ترین مدل وزن‌باز بیرون از چین است. فقط یک روز قبل از میسترال، استارتاپ آمریکایی Reflection AI هم مدل وزن‌باز Beam را معرفی کرده بود.
مقایسهٔ Large 4 با رقبای اصلی
مدل | سازنده و کشور | نوع دسترسی | DeepSWE (طبق جدول میسترال) | نکته |
|---|---|---|---|---|
Mistral Large 4 | میسترال، فرانسه | وزن‌باز (وزن‌ها اواخر اکتبر) | حدود ۶۲٪ | ۱ تریلیون پارامتر، ۴۹ میلیارد فعال |
GLM-5.3 | Z.ai، چین | وزن‌باز | ۶۱٪ | در جدول عمومی DeepSWE با بهترین تنظیم حدود ۶۹٪ |
DeepSeek V4 Pro | دیپ‌سیک، چین | وزن‌باز | ۵۷٪ | در آزمون مالی Finch هم‌تراز Large 4 |
Qwen 3.8 Max | علی‌بابا، چین | — | ۵۱٪ | عدد از مقایسهٔ میسترال |
Beam | Reflection AI، آمریکا | وزن‌باز (وزن‌ها این ماه) | ۴۴٪ | ۵۰۱ میلیارد پارامتر، ۲۳ میلیارد فعال |
GPT-6 Astra و Claude Opus 5 | OpenAI و Anthropic، آمریکا | بسته (فقط از راه سرویس) | — | به گزارش VentureBeat در جدول عمومی DeepSWE حدود ۷۴٪ |
این جدول نشان می‌دهد Large 4 در گروه مدل‌های باز جایگاه خوبی دارد و فاصله‌اش با مدل‌های آمریکایی وزن‌باز زیاد است، اما با مدل‌های چینی تقریباً شانه‌به‌شانه است و هنوز به بهترین مدل‌های بسته نرسیده.
قیمت و نحوهٔ دسترسی
قیمت API در دورهٔ پیش‌نمایش
طبق صفحهٔ رسمی مدل، قیمت پایهٔ Large 4 برای هر یک میلیون توکن ورودی ۱٫۳۶ دلار و برای هر یک میلیون توکن خروجی ۴٫۱۸ دلار است. اما فعلاً همین قیمت‌ها با ۵۰ درصد تخفیف نمایش داده می‌شوند: ۰٫۶۸ دلار برای ورودی، ۰٫۰۷ دلار برای ورودی تکراری (کش‌شده) و ۲٫۰۹ دلار برای خروجی. میسترال نگفته این تخفیف تا کی ادامه دارد، پس اگر برای پروژه‌ای بودجه می‌بندید، قیمت کامل را هم در نظر بگیرید.
می‌شود آن را روی کامپیوتر خودم اجرا کنم؟
عملاً نه. حتی وقتی وزن‌ها منتشر شوند، مدلی در این اندازه برای لپ‌تاپ یا کامپیوتر خانگی خیلی بزرگ است و به سرورهایی با چندین پردازندهٔ گرافیکی قوی نیاز دارد. مخاطب اصلی بعد از انتشار وزن‌ها، شرکت‌ها، بانک‌ها، دانشگاه‌ها و دولت‌هایی هستند که دیتاسنتر یا ابر خصوصی دارند. فعلاً برنامه‌نویس‌ها از راه Mistral Studio به آن دسترسی دارند و بعد از انتشار وزن‌ها، احتمالاً سرویس‌های دیگری هم آن را میزبانی می‌کنند.
کاربران ایران
استفاده از API میسترال حساب کاربری و پرداخت بین‌المللی لازم دارد و تحریم‌ها و محدودیت‌های پرداخت معمولاً استفادهٔ مستقیم از چنین سرویس‌هایی را از ایران سخت می‌کند. شرایط مجوز وزن‌ها هم هنوز منتشر نشده؛ پیش از هر استفاده‌ای، شرایط رسمی میسترال را بخوانید.
این خبر برای شما چه معنایی دارد؟
برای کاربر عادی: فعلاً تغییر مستقیمی در کارتان ایجاد نمی‌کند. اما رقابت بیشتر بین مدل‌های باز معمولاً یعنی سرویس‌های ارزان‌تر و متنوع‌تر در آینده.
برای برنامه‌نویس‌ها: یک گزینهٔ تازه برای کارهای طولانی کدنویسی و عامل‌های هوش مصنوعی با کانتکست یک‌میلیونی و قیمت پیش‌نمایش پایین. بهتر است روی کار واقعی خودتان امتحانش کنید، نه فقط روی جدول‌ها.
برای شرکت‌ها و تیم‌های امنیتی: اگر نمی‌خواهید داده‌هایتان از سرور خودتان بیرون برود یا نگران قطع شدن سرویس هستید، Large 4 بعد از انتشار وزن‌ها یکی از جدی‌ترین گزینه‌های غیرچینی خواهد بود.
برای بازار هوش مصنوعی: اروپا نشان داده هنوز در رقابت مدل‌های بزرگ حضور دارد، حتی اگر فعلاً از آمریکا و چین جلو نیفتاده باشد.
هنوز چه چیزهایی معلوم نیست؟
نسخهٔ نهایی: آموزش هنوز ادامه دارد و عددهای امروز ممکن است تا انتشار وزن‌ها تغییر کنند.
آزمون‌های مستقل: تا وقتی دیگران خودشان مدل را آزمایش نکنند، رتبه‌بندی‌ها ادعای سازنده است.
مجوز استفاده: شرایط دقیق مجوز وزن‌ها، مثلاً برای استفادهٔ تجاری، هنوز منتشر نشده.
قیمت بعد از پیش‌نمایش: معلوم نیست تخفیف ۵۰ درصدی کی تمام می‌شود.
جزئیات فنی و ایمنی: میسترال قول داده تا زمان انتشار وزن‌ها، جزئیات معماری، آزمون‌های بیشتر و روش آموزش و آزمون ایمنی را منتشر کند.
پرسش‌های متداول
Mistral Large 4 دقیقاً چیست؟
بزرگ‌ترین و قوی‌ترین مدل هوش مصنوعی شرکت فرانسوی میسترال تا امروز؛ مدلی با حدود یک تریلیون پارامتر که متن و تصویر را می‌فهمد و پاسخ متنی می‌دهد. از ۶ اکتبر ۲۰۲۶ (۱۴ مهر ۱۴۰۵) به‌صورت پیش‌نمایش در دسترس است.
چرا اسمش را Le Chonk گذاشته‌اند؟
اشاره‌ای شوخی به اندازهٔ بزرگ مدل و به میم «Le Chaton Fat» است که چند ماه پیش دربارهٔ یک مدل خیالی و غول‌پیکر میسترال در اینترنت پخش شد. Chonk در زبان اینترنتی یعنی گربهٔ خیلی تپل.
وزن‌باز یعنی همان متن‌باز؟
نه دقیقاً. وزن‌باز یعنی خود مدل را می‌شود دانلود و اجرا کرد، اما لزوماً داده‌ها و کد آموزش منتشر نمی‌شوند و مجوز استفاده هم ممکن است شرط‌هایی داشته باشد. وزن‌های Large 4 احتمالاً با مجوز اختصاصی میسترال منتشر می‌شوند.
وزن‌ها کی منتشر می‌شوند؟
میسترال گفته «تا آخر همین ماه» و چند رسانه تاریخ ۲۷ اکتبر ۲۰۲۶ (۵ آبان ۱۴۰۵) را گزارش کرده‌اند. تا آن زمان، مدل فقط از راه API در دسترس است.
استفاده از آن چقدر هزینه دارد؟
قیمت پایه ۱٫۳۶ دلار برای هر یک میلیون توکن ورودی و ۴٫۱۸ دلار برای خروجی است، که فعلاً با ۵۰ درصد تخفیف به ۰٫۶۸ و ۲٫۰۹ دلار رسیده. زمان پایان تخفیف اعلام نشده است.
آیا واقعاً از مدل‌های چینی بهتر است؟
طبق عددهای خود میسترال، در چند آزمون کمی جلوتر یا هم‌تراز مدل‌هایی مثل GLM-5.3 و DeepSeek V4 Pro است، نه با فاصلهٔ زیاد. ادعای قوی‌ترش این است که بهترین مدل وزن‌باز بیرون از چین است. داوری نهایی باید منتظر آزمون‌های مستقل بماند.
می‌توانم آن را روی لپ‌تاپ اجرا کنم؟
خیر. این مدل برای کامپیوترهای شخصی خیلی بزرگ است و به سرورهای قدرتمند با چند پردازندهٔ گرافیکی نیاز دارد. برای کاربر عادی، راه معمول استفاده از API یا سرویس‌هایی است که آن را میزبانی می‌کنند.
منابع
وبلاگ رسمی میسترال: Introducing Mistral Large 4 (۶ اکتبر ۲۰۲۶)
صفحهٔ رسمی مدل در مستندات میسترال (مشخصات و قیمت)
TechCrunch: Mistral’s new 1T model aims to leapfrog closed and open rivals
CNBC: Mistral unveils new AI model it says rivals best open systems from China
Trending Topics: Mistral Large 4, Europe’s A.I. Hope Is Back
TechCrunch: Reflection debuts Beam (برای مقایسه)
