Mistral abre pesos do Large 4 para desafiar IA cibernética dos EUA e da China

Em 29 de outubro, a Mistral disponibilizou para download os pesos do Large 4. Isso significa que empresas e governos podem implementar o modelo de IA para cibersegurança internamente, 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 e para quais finalidades.

Da prévia da API aos pesos baixáveis

O Mistral Large 4 foi lançado inicialmente por meio de uma API em 6 de outubro, e seus pesos foram disponibilizados para download em 29 de outubro. O acesso via API ainda está disponível como opção de implantação. As especificações oficiais do Large 4 indicam que ele possui 1,05 trilhão de parâmetros, sendo 52 bilhões de parâmetros ativos, o que é ligeiramente superior aos 49 bilhões mencionados anteriormente pela Cryptopolitan .

As empresas podem personalizar e hospedar o modelo por conta própria. No entanto, aquelas que desejam revendê-lo como um serviço hospedado precisam de uma licença comercial separada. Essa independência é central na proposta da Mistral. Conforme declarado pelo executivo da empresa Pierre Stock à TechCrunch , o acesso “não pode ser interrompido.”

O que os benchmarks mostram e o que não mostram

De acordo com a Mistral , o Large 4 obteve 48% no Coding Agent Index, ficando quase no mesmo nível do GLM-5.3. No entanto, o Large 4 utilizou 47% menos tokens por tarefa. A empresa também relatou pontuações de 19,7% no FrontierCode 2.0 e 41% no Terminal-Bench 4.0.

A situação é ligeiramente diferente no cibersegurança. O Large 4 obteve 51 pontos no Artificial Analysis Cyber Index, ficando atrás do Kimi K3.1 Pro (64), DeepSeek V4.1 Flash (57) e Grok 4.7 (56). No entanto, esses resultados precisam de contexto. O índice mede a capacidade dos modelos de IA de identificar e corrigir vulnerabilidades de segurança. Ele não avalia a habilidade desses modelos em realizar ciberataques.

Quão atrás fica em relação à fronteira fechada

Apesar das melhorias relatadas no Large 4 em codificação e cibersegurança defensiva, os principais modelos de pesos abertos ainda ficam atrás dos sistemas fechados mais robustos. Uma análise da Epoch AI, divulgada em 16 de outubro, atribuiu ao GLM-5.3, o principal modelo de pesos abertos, uma pontuação de Cyber ECI de 160. Os modelos fechados mais fortes obtiveram 171. Ao analisar o desempenho histórico, a Epoch estimou que os modelos de pesos abertos estavam seis a sete meses atrás da fronteira fechada. No entanto, sua avaliação foi feita antes do lançamento final do Large 4.

O AI Security Institute do Reino Unido chegou a uma conclusão semelhante. Estimou um intervalo de quatro a sete meses entre os modelos de pesos abertos e seus concorrentes de pesos fechados, embora seus testes tenham sido diferentes dos da Epoch AI.

A questão vai além da capacidade de defesa. Como parte de seus testes controlados, a Anthropic relatou que o GLM-5.3 explorou com sucesso vulnerabilidades existentes em 50 dos 410 ensaios. Os pesquisadores conseguiram contornar os recursos de segurança do modelo em 64%-100% de suas diversas simulações.

O discurso da soberania encontra a realidade da adoção

As empresas estão demonstrando maior interesse em controlar seus sistemas de IA, mas os gastos contam uma história diferente. De acordo com relatórios, 42% das empresas pesquisadas usaram modelos de pesos abertos em produção em setembro, um aumento em relação aos 31% registrados em julho.

No entanto, os pesos abertos representaram apenas 5% do consumo de IA medido em outubro. O Claude detinha 29%, enquanto o Microsoft 365 Copilot respondia por 36%.

A Futurum também descobriu que a origem do modelo influenciou as decisões de 47% dos usuários em produção. No entanto, sua pesquisa concentrou-se amplamente na América do Norte, limitando conclusões mais amplas.

Para as empresas, uma maior independência também significa assumir mais responsabilidades. A PwC alertou que as empresas que optam por pesos abertos devem gerenciar sua própria segurança e manutenção.

Salvaguardas que não podem ser retiradas

Essa responsabilidade torna-se especialmente importante quando os modelos de IA podem realizar tarefas sensíveis de cibersegurança. A Mistral afirma que o Large 4 rejeita 96,6% dos pedidos cibernéticos prejudiciais. No entanto, essas salvaguardas podem ser removidas assim que o modelo for baixado. A AISI também alerta que os desenvolvedores não podem monitorar ou retirar cópias hospedadas privadamente.

A Moonshot adotou uma abordagem diferente. A empresa removeu materiais de treinamento de cibersegurança do Kimi K3.1 Pro antes do lançamento planejado dos pesos em 4 de novembro. Sua pontuação interna no benchmark ofensivo caiu subsequentemente de 90,5% para 81,0%. No entanto, esses resultados não foram verificados independentemente.

Até 30 de outubro, nenhum ataque cibernético publicamente documentado foi vinculado aos novos pesos lançados do Large 4.