29 октября Mistral открыла для скачивания веса своей модели Large 4. Это означает, что компании и правительства могут внедрять модель ИИ для кибербезопасности внутри своих организаций, не полагаясь на американские или китайские компании. Однако за эту свободу приходится платить. Поскольку Mistral слабо контролирует модель, компания не может определять, кто и в каких целях сможет её использовать.

От предварительного доступа через API до скачивания весов

Сначала доступ к Large 4 от Mistral открыли через API 6 октября, а 29 октября веса модели стали доступны для скачивания. Развёртывание через API по-прежнему остаётся возможным вариантом. Согласно официальным характеристикам Large 4, у модели 1,05 триллиона параметров, в том числе 52 миллиарда активных — немного больше, чем 49 миллиардов, о которых ранее сообщало издание Cryptopolitan.

Компании могут настраивать модель и размещать её у себя. Но тем, кто хочет перепродавать её как размещённый сервис, нужна отдельная коммерческая лицензия. Эта независимость — ключевая часть предложения Mistral. Как рассказал TechCrunch руководитель компании Пьер Сток, доступ «нельзя отключить».

Что показывают бенчмарки — и чего они не показывают

По данным Mistral, Large 4 набрала 48% в индексе Coding Agent Index, практически сравнявшись с GLM-5.3. При этом Large 4 использовала на 47% меньше токенов на задачу. Компания также сообщила о результатах 19,7% в FrontierCode 2.0 и 41% в Terminal-Bench 4.0.

В сфере кибербезопасности картина немного иная. Large 4 набрала 51 балл в индексе Artificial Analysis Cyber Index, уступив Kimi K3.1 Pro (64), DeepSeek V4.1 Flash (57) и Grok 4.7 (56). Но эти результаты нужно рассматривать в контексте. Индекс оценивает, насколько хорошо модели ИИ находят и устраняют уязвимости в системе безопасности. Он не оценивает их способность проводить кибератаки.

Бенчмарки Mistral Large 4 в сфере кибербезопасности и использование моделей с открытыми весами в сравнении с конкурентами

Насколько они отстают от закрытых передовых моделей

Несмотря на заявленные улучшения Large 4 в программировании и защитной кибербезопасности, ведущие модели с открытыми весами всё ещё уступают сильнейшим закрытым системам. В анализе Epoch AI от 16 октября модели GLM-5.3, лидирующей среди моделей с открытыми весами, присвоили оценку Cyber ECI 160. Сильнейшие закрытые модели набрали 171 балл. Изучив динамику результатов, Epoch пришла к выводу, что модели с открытыми весами отстают от передовых закрытых моделей на шесть-семь месяцев. Однако оценка была проведена до окончательного выпуска Large 4.

Институт безопасности ИИ Великобритании пришёл к схожему выводу. По его оценкам, модели с открытыми весами отстают от конкурирующих закрытых моделей на четыре-семь месяцев, хотя его тесты отличались от тестов Epoch AI.

Проблема не ограничивается защитными возможностями. В рамках контролируемых тестов Anthropic сообщила, что GLM-5.3 успешно использовала существующие уязвимости в 50 из 410 испытаний. В ходе различных симуляций исследователям удавалось обходить механизмы безопасности модели в 64–100% случаев.

Обещания цифрового суверенитета и реальность внедрения

Компании всё больше заинтересованы в контроле над своими системами ИИ, но данные о расходах говорят о другом. Согласно сообщениям, в сентябре 42% опрошенных компаний использовали модели с открытыми весами в производственной среде — по сравнению с 31% в июле.

И всё же в октябре на модели с открытыми весами пришлось лишь 5% измеренного потребления ИИ. На Claude пришлось 29%, а на Microsoft 365 Copilot — 36%.

Futurum также выяснила, что происхождение модели повлияло на решения 47% пользователей, применяющих её в производственной среде. Однако опрос был посвящён главным образом Северной Америке, что ограничивает возможность делать более широкие выводы.

Для компаний большая независимость означает и большую ответственность. PwC предупредила, что компании, выбирающие модели с открытыми весами, должны самостоятельно обеспечивать их безопасность и обслуживание.

Меры защиты, которые нельзя отозвать

Эта ответственность особенно важна, когда модели ИИ могут выполнять деликатные задачи в сфере кибербезопасности. По словам Mistral, Large 4 отказывается выполнять 96,6% вредоносных запросов, связанных с кибербезопасностью. Однако после загрузки модели эти меры защиты можно удалить. AISI также предупреждает, что разработчики не могут контролировать размещённые частным образом копии или отзывать их.

Moonshot выбрала другой подход. Перед запланированным выпуском весов 4 ноября компания удалила из Kimi K3.1 Pro обучающие материалы по кибербезопасности. В результате оценка модели во внутреннем бенчмарке наступательных возможностей снизилась с 90,5% до 81,0%. Однако эти результаты не прошли независимую проверку.

По состоянию на 30 октября ни одна публично задокументированная кибератака не была связана с недавно выпущенными весами Large 4.

Не просто читайте новости о криптовалютах — разбирайтесь в них. Подпишитесь на нашу рассылку. Это бесплатно.