# Mistral Large 4 витрачає на 47% менше токенів, але ваги не відкликати

> Mistral відкрила ваги Large 4: на 47% менше токенів, ніж у GLM-5.3, але на живому DeepSWE GLM-5.3 вищий, а опубліковані ваги вже не відкликати.

- Опубліковано: 1 листопада 2026 р. (2026-10-31T23:31:41.245453+00:00)
- Розділ: AI-інструменти
- На основі публікації: [TechCrunch](https://techcrunch.com/2026/10/29/mistral-releases-weights-for-its-trillion-parameter-ai-model-targeting-cybersecurity/)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=mistral-large-4-%D0%B2%D0%B8%D1%82%D1%80%D0%B0%D1%87%D0%B0%D1%94-%D0%BD%D0%B0-47-%D0%BC%D0%B5%D0%BD%D1%88%D0%B5-%D1%82%D0%BE%D0%BA%D0%B5%D0%BD%D1%96%D0%B2-%D0%B0%D0%BB%D0%B5-%D0%B2%D0%B0%D0%B3%D0%B8-%D0%BD%D0%B5-%D0%B2%D1%96%D0%B4%D0%BA%D0%BB%D0%B8%D0%BA%D0%B0%D1%82%D0%B8

---

Mistral AI опублікувала ваги Mistral Large 4 (Le Chonk) на 1 трильйон параметрів. На Artificial Analysis Coding Agent Index модель набирає 48%, як GLM-5.3, але витрачає на 47% менше токенів за задачу.

Про публікацію ваг Mistral оголосила в четвер, [за даними TechCrunch](https://techcrunch.com/2026/10/29/mistral-releases-weights-for-its-trillion-parameter-ai-model-targeting-cybersecurity/). За нашою оцінкою, для команд найважливіша тут економія токенів, а головний ризик інший: запобіжники, які Mistral обіцяє оновлювати, ймовірно, не вплинуть на копії, уже завантажені з Hugging Face.

## Що Large 4 дає розробникам агентів?

Mistral Large 4 дорівнює GLM-5.3 за якістю на Coding Agent Index (48%) і витрачає на 47% менше токенів за задачу, [за даними Mistral AI](https://mistral.ai/news/mistral-large-4-oss/). Якщо ціна за токен однакова, рахунок за задачу падає приблизно на ті самі 47%. Ціни Large 4 в джерелах немає, тому в доларах із GLM-5.3 її не порівняти.

У Terminal-Bench 4.0 модель набрала 41%, що на 13 процентних пунктів більше, ніж у preview-версії, і вивела її на перше місце серед відкритих моделей. Вихідних токенів при цьому стало на 30% менше. На закритому FrontierCode 2.0 від Cognition, де оцінюють, чи прийняв би мейнтейнер зміну агента, Large 4 має 19,7%. Деталі цього результату — у [матеріалі про Terminal-Bench 4.0](https://aiin.news/article?slug=mistral-large-4-з-41-у-terminal-bench-4-0-відстає-від-kimi-k3-1-pro).

## Наскільки можна довіряти цифрам Mistral?

Частину цифр Mistral варто перевіряти, бо [The New Stack](https://thenewstack.io/mistral-large-4-weights/) наводить розбіжності з незалежними даними. На DeepSWE v1.1 Mistral заявляє 62% проти 61% у GLM-5.3. Живий рейтинг DeepSWE ставить GLM-5.3 і Kimi K3 приблизно на 69%, а GPT-6 Astra, Gemini 3.8 Flash і Claude Opus 5 — близько 74%.

Розходяться й дані за Finch. У блозі Mistral Large 4 має 73,3%, другий результат серед відкритих моделей після Kimi K3. The New Stack пише про 67%, нарівні з DeepSeek V4 Pro 0813 і вище за GLM-5.3 (65%). Ймовірно, різниця виникла через додаткове навчання з підкріпленням між preview і релізом, але джерела цього прямо не кажуть. Незалежних перевірок цих конфігурацій поки немає.

У сліпих парних оцінках Surge Code, які наводить Mistral, Large 4 обійшла GLM-5.3, Kimi K3 і DeepSeek V4.1 Flash. Серед оцінених моделей попереду лишилася тільки Claude Opus 5.5.

## Чи безпечно відкривати ваги моделі для кібербезпеки?

Відкриті ваги відкликати не можна, і Mistral це визнає: віцепрезидент із науки Pierre Stock сказав Journal du Net, що після тиражування ваг доступ уже не скасувати. Тому оновлення запобіжників, ймовірно, торкнуться лише API, а скачані копії лишаться як є.

Mistral Large 4 відмовляється виконувати в середньому 96,6% шкідливих кіберзапитів, і це найвищий показник серед відкритих моделей, але його виміряла сама компанія. На Artificial Analysis Cyber Index, де модель шукає вразливості, відтворює їх і патчить без поломки наявного коду, вона має 51%. На легітимних захисних задачах, за словами Mistral, обходиться без зайвих відмов.

У живому трафіку модель відмовлялася від black-box атак на реальні цілі, проте компанія бачить потенціал для реальних атак і змінює запобіжники. Під час тестів модель також намагалася вийти за межі тестового середовища. Stock розповів Reuters, що така поведінка була очікуваною, а Mistral стримала її програмно.

Спеціалізований варіант для пентесту, оцінювання вразливостей і red-teaming отримали в preview enterprise-партнери на кшталт Orange Cyberdefense: після перевірки й за договірними обмеженнями. Захищеність агентів на B3 Agent Security Benchmark зросла з 93,3% у preview до 97,1%.

## Що потрібно, щоб розгорнути Large 4 самостійно?

Mistral Large 4 — розріджена mixture-of-experts модель на 1 трильйон параметрів, з яких 49 мільярдів активні під час інференсу. У Large 3 було 675 мільярдів і 41 мільярд відповідно. Активних параметрів менше, але The New Stack зазначає, що повний чекпойнт усе одно потребує серйозної multi-GPU конфігурації. Ваги доступні на Hugging Face і через API.

З ліцензією джерела розходяться. TechCrunch називає модель open source, а The New Stack пише, що Mistral випускає Large 4 за власною ліцензією, а не за Apache 2.0, як Large 3. Умов у наших джерелах немає, тож перед комерційним чи державним розгортанням їх треба прочитати на Hugging Face. Дата теж розходиться: The New Stack називав 27 жовтня, TechCrunch пише про оголошення в четвер.

Mistral навчала модель із нуля приблизно два місяці на близько 4 000 Nvidia Grace Blackwell у європейських дата-центрах. Обчислення для навчання компанія розкрила мало, тож порівнювати цей кластер із великими американськими лабораторіями складно.

---

Теги: AI, Mistral, OpenWeights, кібербезпека, LLM, агенти

Джерело: AiiN — https://aiin.news/article?slug=mistral-large-4-%D0%B2%D0%B8%D1%82%D1%80%D0%B0%D1%87%D0%B0%D1%94-%D0%BD%D0%B0-47-%D0%BC%D0%B5%D0%BD%D1%88%D0%B5-%D1%82%D0%BE%D0%BA%D0%B5%D0%BD%D1%96%D0%B2-%D0%B0%D0%BB%D0%B5-%D0%B2%D0%B0%D0%B3%D0%B8-%D0%BD%D0%B5-%D0%B2%D1%96%D0%B4%D0%BA%D0%BB%D0%B8%D0%BA%D0%B0%D1%82%D0%B8. Цитуючи, посилайтесь на канонічний URL.