Mistral Large 4(Le Chonk), 가중치 공개

Mistral이 1조 파라미터 네이티브 멀티모달 모델 Mistral Large 4의 개선된 가중치를 공개함. 공개 프리뷰 이후 강화학습을 확대해 코딩, 방어적 사이버보안, 추론 효율을 높임 Artificial Analysis Coding Agent Index에서 GLM-5.3와 사실상 동률인 48%로 오픈웨이트 코딩 모델 선두권을 기록하면서, 작업당 평균 토큰을 47% 적게 사용함 방어적 보안 작업을 평가하는 Artificial Analysis Cyber Index에서 51% 를 기록함. 악성 사이버 요청의 자체 측정 평균 거부율은 96.6%였으나, 실제 공격 역량을 높일 가능성도 확인해 가드레일을 수정 중임 조직은 모델을 자체 인프라에 배포하고 맞춤화할 수 있으며, Mistral API에 의존하지 않고 운영할 수 있음. 관리형 서비스를 원하는 조직에는 Microsoft Foundry의 비공개 배포 옵션도 제공됨 수정 MIT 기반 라이선스로 사용, 수정, 미세조정, 상용화가 가능하지만, Model-as-a-Service 사업자는 상업적 이용 전에 별도 상용 라이선스를 받아야 함 공개 프리뷰 이후 개선된 모델 Mistral Large 4(Le Chonk) 는 이달 초 공개 프리뷰로 출시된 1조 파라미터 네이티브 멀티모달 모델이며, 이번에 추가 학습을 거친 가중치를 공개함 개발자 커뮤니티, 얼리 액세스 고객, 파트너의 피드백을 반영하고 강화학습을 확대해 코딩과 방어적 사이버보안 성능을 개선함 Mistral에 따르면 성능 향상이 계속 가속되고 있으며 아직 포화 징후가 없음 추론 효율도 개선해 더 높은 성능과 낮은 추론 비용을 함께 제공함 유럽 인프라에서 처음부터 학습했으며, 개발 시작부터 공개까지 모델의 출처와 계보를 명확히 해 조직이 직접 소유, 맞춤화, 통제하는 AI의 기반으로 삼도록 함 에이전트 코딩 성능과 토큰 효율 공개 프리뷰 이후 3주간 추가 강화학습으로 FrontierCode와 Terminal-Bench에서 오픈웨이트 모델 선두에 오름 Cognition의 비공개 FrontierCode 2.0에서 19.7%를 기록함 이 벤치마크는 전체 코드 품질과 저장소 관리자가 에이전트의 변경 사항을 병합할지를 평가함 Artificial Analysis Coding Agent Index에서는 48%로 GLM-5.3와 사실상 동률을 기록하면서 작업당 평균 토큰 사용량을 47% 줄임 Terminal-Bench 4.0에서는 ...