Mistral Large 4-ს 1M კონტექსტი აქვს — ღია წონები ჯერ არ გამოქვეყნებულა

Mistral AI-ის ცვლილებების ჩანაწერის მიხედვით, 2026 წლის 6 ოქტომბერს Mistral Large 4 საჯარო preview-ში გამოჩნდა 1M ტოკენის კონტექსტური ფანჯრითა და Mixture-of-Experts არქიტექტურით. ჩანაწერი მოდელს ღია წონების მქონედ აღწერს, თუმცა თავად წონების გამოქვეყნებას მომავალ ეტაპად ასახელებს.

Mistral-ის გამოშვების განცხადებაში წერია, რომ preview API-ის გამოცდა Mistral Studio-ში უკვე შეიძლება, წონების გამოქვეყნება ოქტომბრის ბოლომდე იგეგმება, ხოლო DeepSWE v1.1-ზე კომპანიის მითითებული შედეგი 61.7%-ია. ამდენად, მოდელით სარგებლობა დღეს კომპანიის სერვისის მეშვეობით არის შესაძლებელი; მის საკუთარ ინფრასტრუქტურაზე გასაშვებად საჭირო წონები ჯერ ხელმისაწვდომი არ არის.

რა არის ხელმისაწვდომი საჯარო preview-ში

საჯარო preview მოდელთან წვდომის მოქმედი ფორმაა. მომხმარებელი მოთხოვნას API-ით აგზავნის და პასუხს იღებს Mistral-ის მომსახურების გარემოდან. ეს საშუალებას იძლევა, შეფასდეს მოდელის ამჟამინდელი ქცევა კონკრეტულ ამოცანებზე, მაგრამ არ ნიშნავს, რომ მომხმარებელს შეუძლია მოდელის ფაილების ჩამოტვირთვა, მათი დამოუკიდებლად გაშვება ან მომსახურების პირობების თავად განსაზღვრა.

ხელმისაწვდომობის სტატუსი ასე გამოიყურება:

• ახლა ხელმისაწვდომია: საჯარო preview API, რომლითაც მოდელის გამოცდა Mistral-ის სერვისში შეიძლება.
• დაგეგმილია: წონების გამოქვეყნება. მხოლოდ ამის შემდეგ გამოჩნდება ჩამოსატვირთი ფაილები და მათი გამოყენების პირობები.
• დამოუკიდებელ შეფასებას ელოდება: გამოქვეყნებული წარმადობის შედეგები და მათი შედარება სხვა მოდელებთან ერთნაირ პირობებში.

საკუთარ გარემოში განთავსების მსურველისთვის განსხვავება არსებითია. API-ით მიღებული პასუხი აჩვენებს, რას აკეთებს დღეს კომპანიის მიერ მიწოდებული ვერსია; წონების გამოქვეყნება კი მომხმარებელს მოდელის გაშვების განსხვავებულ შესაძლებლობას მისცემს. ამ შესაძლებლობის პრაქტიკული ფარგლები დამოკიდებული იქნება გამოქვეყნებული ფაილებისა და გამოყენების პირობების შინაარსზე, რომლებიც preview-ის სტატუსიდან ჯერ არ ჩანს.

განცხადებაში წონების გამოქვეყნებამდე უსაფრთხოების შემოწმებაც არის აღწერილი. ეს ხსნის, რატომ გაიყო მოდელთან წვდომა ორ ეტაპად: სერვისით გამოცდა უკვე დაიწყო, ხოლო ჩამოსატვირთი ვერსიის გამოშვება მოგვიანებითაა დაგეგმილი. მომხმარებლისთვის ამ ეტაპების ერთმანეთისგან გამიჯვნა მნიშვნელოვანია მაშინაც, როცა კომპანიამ მოდელი უკვე „ღია წონების“ სახელით წარადგინა.

რას ნიშნავს დიდი კონტექსტური ფანჯარა

კონტექსტური ფანჯარა განსაზღვრავს, რა მოცულობის ინფორმაცია შეიძლება მოდელმა ერთი მოთხოვნის დამუშავებისას გაითვალისწინოს. დიდი ფანჯარა განსაკუთრებით საინტერესოა მაშინ, როცა პასუხისთვის საჭიროა ერთმანეთთან დაკავშირებული გრძელი მასალა: მაგალითად, დოკუმენტის რამდენიმე ნაწილი ან კოდის ბაზის ურთიერთდამოკიდებული ფრაგმენტები. იგი მოცულობის ტექნიკური მახასიათებელია და თავისთავად არ ზომავს, რამდენად ზუსტად იპოვის მოდელი საჭირო დეტალს ამ მასალაში.

მოდელი მულტიმოდალურადაც არის წარმოდგენილი: ტექსტთან ერთად მისი შესაძლებლობები ვიზუალური მასალის გაგებას მოიცავს. ეს კონტექსტის სიგრძისგან განსხვავებული თვისებაა. დიდი მოცულობის ტექსტის მიღება და სურათში ობიექტის ან დოკუმენტში მნიშვნელოვანი მონაკვეთის სწორად ამოცნობა ცალკე შესაფასებელი ამოცანებია; ერთი მახასიათებლის არსებობა მეორეში მაღალ შედეგს ვერ ადგენს.

კომპანიის მიერ აღწერილ მაგალითებში შედის ტექნიკური ნახაზების შემოწმება, PDF-ებიდან მტკიცებულების მოძიება და დიდი გეოსივრცული გამოსახულებებიდან ობიექტების პოვნა. ეს მაგალითები აჩვენებს, რატომ შეიძლება კონტექსტის მოცულობა და ვიზუალური გაგება ერთად იყოს გამოსადეგი. ისინი მაინც დემონსტრაციებია: კონკრეტულ დოკუმენტში, ნახაზში ან გამოსახულებაში პასუხის სიზუსტე ცალკე შედეგით უნდა შეფასდეს.

preview-ის შემთხვევაში გასათვალისწინებელია მოდელის მახასიათებელსა და მომსახურების პირობებს შორის სხვაობაც. მითითებული კონტექსტური ფანჯარა აღწერს მოდელის შესაძლებლობას, ხოლო რეალურ მოთხოვნაზე გავლენა შეიძლება ჰქონდეს API-ის პარამეტრებს, შესატანი მასალის ფორმატს და პასუხისთვის დატოვებულ ადგილს. ამიტომ მხოლოდ ფანჯრის ზომით ვერ განისაზღვრება, რა მოცულობის სამუშაოს დაამუშავებს კონკრეტული მოთხოვნა სასურველი ხარისხით.

რას ამტკიცებს წარმადობის წინასწარი შედეგი

DeepSWE-ზე გამოცხადებული მაჩვენებელი კოდირების გრძელ ამოცანებს ეხება და მოდელის ყველა უნარის საერთო შეფასება არ არის. Le Monde-ის 6 ოქტომბრის რეპორტაჟში Mistral-ის თანადამფუძნებელი Guillaume Lample ამბობს, რომ მოდელი საუკეთესო კონკურენტებთან სხვაობას „narrows the gap“; გამოცემას კომპანიის წინასწარ მონაცემად მოჰყავს 63% DeepSWE 1.1-ზე, ხოლო მოწინავე მოდელებისთვის — 74%. ეს გამოცემის მიერ გადმოცემული წინასწარი შედეგია და დამოუკიდებელ რეიტინგში საბოლოოდ დადასტურებულ ადგილს არ ნიშნავს.

რეპორტაჟში მოყვანილი შედეგი განსხვავდება კომპანიის განცხადებაში გამოქვეყნებული მაჩვენებლისგან. ხელმისაწვდომ ინფორმაციაში სხვაობის მეთოდოლოგიური მიზეზი არ არის განმარტებული, ამიტომ მათი ერთ რიცხვად გაერთიანება ან ერთის ჩუმად არჩევა შეცდომაში შეიყვანდა მკითხველს. განსხვავება შეიძლება უკავშირდებოდეს შეფასების ვერსიას ან პირობებს, მაგრამ ამის დასადგენად დამატებითი მონაცემებია საჭირო.

ასეთ ტესტში შედეგზე მხოლოდ მოდელი არ მოქმედებს. კოდირების ხანგრძლივი ამოცანა შეიძლება მოიცავდეს ინსტრუმენტებთან მუშაობას, რამდენიმე მცდელობას და შუალედური პასუხების გადახედვას. სანამ ზუსტად არ არის აღწერილი გამოყენებული გარემო და შეფასების წესი, პროცენტი ვერ გადაიქცევა დაპირებად, რომ მოდელი ნებისმიერი პროგრამული ამოცანის ასეთივე წილს წარმატებით შეასრულებს.

კომპანია შესაძლებლობებს კოდირების გარდა ფინანსურ, კიბერუსაფრთხოებისა და ვიზუალური ამოცანების მაგალითებითაც წარმოაჩენს. თითოეული მიმართულება განსხვავებულ უნარს ზომავს: ცხრილზე მუშაობის შედეგი ვერ ცვლის დაუცველობის ანალიზის შეფასებას, ხოლო გამოსახულებაში ობიექტის პოვნა კოდის შეცდომის გასწორებას ვერ ადასტურებს. მკითხველისთვის სანდო შედარება კონკრეტულ ამოცანას, მის პირობებსა და დამოუკიდებლად განმეორებულ შედეგს უნდა დაეყრდნოს.

რა შეიცვლება წონების გამოქვეყნებისას

წონების გამოჩენა მოდელთან წვდომის ახალ ეტაპს გახსნის. ჩამოსატვირთი ფაილებისა და მათი პირობების გაცნობის შემდეგ შესაძლებელი იქნება იმის შეფასება, შეიძლება თუ არა მოდელის საკუთარი ინფრასტრუქტურით გაშვება და რა რესურსს მოითხოვს ეს. preview API ამ კითხვებზე სრულ პასუხს ვერ იძლევა, რადგან მასთან მუშაობისას მოდელის განთავსებას კომპანია უზრუნველყოფს.

ამავე ეტაპზე უფრო გასაგები გახდება, რა განსხვავებაა კომპანიის მიერ მომსახურებულ ვერსიასა და გამოქვეყნებულ წონებზე აგებულ განთავსებებს შორის. წონების ქონა დამოუკიდებელ გაშვებას ხსნის, მაგრამ კონკრეტული წარმადობა კვლავ დამოკიდებული იქნება აპარატურაზე, პროგრამულ გარემოსა და გამოყენებულ პარამეტრებზე. ამიტომ API preview-ში ნანახი სიჩქარე ან პასუხის ხარისხი თვითგანთავსების ავტომატურ მახასიათებლად ვერ ჩაითვლება.

კომპანია წონებთან ერთად არქიტექტურის, დამატებითი შეფასებებისა და შემდგომი სწავლების მეთოდების შესახებ დეტალების გაზიარებასაც გეგმავს. მათი გამოქვეყნება განსაკუთრებით მნიშვნელოვანი იქნება ახლა არსებული განსხვავებული სატესტო მაჩვენებლების გასაგებად. მანამდე მკითხველისთვის მკაფიო საზღვარი რჩება: მოქმედი წვდომა preview სერვისია, ხოლო დამოუკიდებლად გასაშვები ვერსიის პირობები ჯერ არ გამოქვეყნებულა.

ასევე წაიკითხეთ:

• Mercury თუ Relay: უცხოელ დამფუძნებელს უფასო ანგარიში გარანტირებული არ აქვს
• Gusto თუ Rippling: ღია ფასი თუ ერთ პლატფორმაში მოქცეული გუნდი
• Gemini 4 Argon ძლიერ შედეგებს აჩვენებს — წვდომა ჯერ დახურულია