Em 29 de outubro, a Mistral disponibilizou os pesos do seu Large 4 para download. Isso significa que empresas e governos podem implementar internamente o modelo de IA de cibersegurança, em vez de depender de empresas americanas ou chinesas. No entanto, essa liberdade tem um preço. Como a Mistral tem pouco controle sobre o modelo, não pode determinar quem poderá usá-lo nem para que fins.
Da prévia da API aos pesos disponíveis para download
O Large 4 da Mistral foi disponibilizado inicialmente por meio de uma API em 6 de outubro, e os pesos foram liberados para download em 29 de outubro. O acesso via API continua disponível como opção de implementação. As especificações oficiais do Large 4 indicam que ele tem 1,05 trilhão de parâmetros, incluindo 52 bilhões de parâmetros ativos, um pouco mais do que os 49 bilhões mencionados anteriormente pela Cryptopolitan.
As empresas podem personalizar e alojar o modelo por conta própria. Mas quem pretender revendê-lo como serviço alojado precisa de uma licença comercial separada. Essa independência é central na proposta da Mistral. Como disse o executivo da empresa Pierre Stock à TechCrunch, o acesso «não pode ser cortado».
O que os benchmarks mostram — e o que não mostram
A Mistral informa que o Large 4 obteve 48% no Coding Agent Index, ficando praticamente ao nível do GLM-5.3. No entanto, o Large 4 usou 47% menos tokens por tarefa. A empresa também divulgou resultados de 19,7% no FrontierCode 2.0 e de 41% no Terminal-Bench 4.0.
O panorama é ligeiramente diferente no domínio da cibersegurança. O Large 4 obteve 51 no Artificial Analysis Cyber Index, ficando atrás do Kimi K3.1 Pro (64), do DeepSeek V4.1 Flash (57) e do Grok 4.7 (56). Mas estes resultados precisam de contexto. O índice mede a capacidade dos modelos de IA para encontrar e corrigir vulnerabilidades de segurança. Não avalia a capacidade de realizar ciberataques.
Benchmarks de cibersegurança do Mistral Large 4 e adoção de modelos de pesos abertos face aos rivais
A que distância está da vanguarda dos modelos fechados
Apesar das melhorias comunicadas do Large 4 na programação e na cibersegurança defensiva, os principais modelos de pesos abertos continuam atrás dos sistemas fechados mais avançados. Uma análise da Epoch AI de 16 de outubro atribuiu ao GLM-5.3, o principal modelo de pesos abertos, uma pontuação Cyber ECI de 160. Os modelos fechados mais avançados obtiveram 171. Com base no desempenho histórico, a Epoch estimou que os modelos de pesos abertos estavam seis a sete meses atrás da vanguarda dos modelos fechados. No entanto, a sua avaliação foi feita antes do lançamento da versão final do Large 4.
O AI Security Institute do Reino Unido chegou a uma conclusão semelhante. Estimou que os modelos de pesos abertos estavam quatro a sete meses atrás dos seus rivais de pesos fechados, embora os seus testes fossem diferentes dos da Epoch AI.
A questão vai além das capacidades defensivas. Nos seus testes controlados, a Anthropic informou que o GLM-5.3 explorou com sucesso vulnerabilidades existentes em 50 de 410 ensaios. Os investigadores conseguiram contornar as funcionalidades de segurança do modelo em 64% a 100% das várias simulações que realizaram.
A promessa de soberania e a realidade da adoção
As empresas demonstram um interesse crescente em controlar os seus sistemas de IA, mas os gastos contam uma história diferente. Segundo relatos, em setembro, 42% das empresas inquiridas usavam modelos de pesos abertos em produção, contra 31% em julho.
Ainda assim, os modelos de pesos abertos representaram apenas 5% do consumo de IA medido em outubro. O Claude deteve 29%, enquanto o Microsoft 365 Copilot representou 36%.
A Futurum também concluiu que a origem do modelo influenciou as decisões de 47% dos utilizadores que o usam em produção. No entanto, o seu inquérito incidiu sobretudo na América do Norte, o que limita conclusões mais abrangentes.
Para as empresas, maior independência também significa assumir mais responsabilidades. A PwC alertou que as empresas que optam por modelos de pesos abertos têm de gerir a sua própria segurança e manutenção.
Salvaguardas que não podem ser recuperadas
Essa responsabilidade torna-se especialmente importante quando os modelos de IA podem lidar com tarefas sensíveis de cibersegurança. A Mistral afirma que o Large 4 recusa 96,6% dos pedidos nocivos relacionados com cibersegurança. No entanto, essas salvaguardas podem ser removidas depois de o modelo ser descarregado. O AISI também alerta que os programadores não conseguem monitorizar nem retirar cópias alojadas de forma privada.
A Moonshot adotou uma abordagem diferente. A empresa removeu material de formação em cibersegurança do Kimi K3.1 Pro antes do lançamento previsto dos pesos, a 4 de novembro. A pontuação do modelo no benchmark ofensivo interno caiu, posteriormente, de 90,5% para 81,0%. No entanto, esses resultados não foram verificados de forma independente.
Até 30 de outubro, não havia nenhum ciberataque documentado publicamente associado aos pesos recém-lançados do Large 4.
Não se limite a ler notícias sobre cripto. Compreenda-as. Subscreva a nossa newsletter. É grátis.