Mistral открыла веса Large 4, бросив вызов кибербезопасности США и Китая

29 октября Mistral опубликовала веса Large 4 для скачивания. Это позволяет компаниям и государственным структурам внедрять ИИ-модель для кибербезопасности самостоятельно, не полагаясь на американские или китайские корпорации. Однако эта свобода имеет свою цену: поскольку у Mistral ограниченный контроль над моделью, она не может определить, кто именно сможет её использовать и с какой целью.

От предварительного доступа через API до доступных весов модели

Mistral Large 4 впервые была представлена через API 6 октября, а её веса стали доступны для скачивания 29 октября. Доступ по-прежнему возможен через API как вариант развёртывания. Официальные спецификации Large 4 указывают на то, что общее количество параметров составляет 1,05 трлн, при этом активных параметров — 52 млрд, что немного больше, чем 49 млрд, о которых ранее сообщал Cryptopolitan.

Компании могут настраивать и размещать модель самостоятельно. Однако тем, кто хочет перепродавать её в виде хостинг-сервиса, требуется отдельная коммерческая лицензия. Именно эта независимость является ключевым аргументом Mistral. Как заявил представитель компании Пьер Сток изданию TechCrunch, доступ «не может быть отключён».

Что показывают бенчмарки, а что — нет

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

Для кибербезопасности картина немного иная. Large 4 набрал 51 балл в Artificial Analysis Cyber Index, уступая Kimi K3.1 Pro (64), DeepSeek V4.1 Flash (57) и Grok 4.7 (56). Однако эти оценки требуют контекста. Индекс измеряет способность ИИ-моделей находить и устранять уязвимости безопасности, но не их умение осуществлять кибератаки.

Насколько отстают от закрытых передовых моделей

Несмотря на заявленные улучшения Large 4 в области программирования и защиты от кибератак, ведущие модели с открытыми весами всё ещё уступают самым мощным закрытым системам. Согласно анализу Epoch AI от 16 октября, GLM-5.3, лидер среди моделей с открытыми весами, набрала 160 баллов по индексу Cyber ECI. Самые сильные закрытые модели получили 171 балл. С учётом исторических данных, Epoch оценивает отставание моделей с открытыми весами от закрытых передовых систем на шесть–семь месяцев. Однако эти оценки были сделаны до финального релиза Large 4.

Британский Институт безопасности искусственного интеллекта пришел к аналогичному выводу. Он оценил разрыв между моделями с открытым исходным кодом и их закрытыми конкурентами в четыре–семь месяцев, хотя его тесты отличались от тестов Epoch AI.

Проблема выходит за рамки вопроса о защитных возможностях. В ходе контролируемых тестов Anthropic сообщила, что GLM-5.3 успешно эксплуатировала существующие уязвимости в 50 из 410 испытаний. Исследователям удалось обойти функции безопасности модели в 64%-100% различных симуляций.

Суверенитет против реальности внедрения

Компании проявляют больший интерес к контролю над своими системами ИИ, но расходы говорят об обратном. Согласно отчетам, 42% опрошенных предприятий использовали модели с открытым весом в продакшене в сентябре, по сравнению с 31% в июле.

Тем не менее, модели с открытым весом составили всего 5% от оплачиваемого потребления ИИ в октябре. На долю Claude пришлось 29%, а на Microsoft 365 Copilot — 36%.

Futurum также выявил, что происхождение модели влияло на решения 47% пользователей в продакшене. Однако опрос был сосредоточен преимущественно на Северной Америке, что ограничивает возможность более широких выводов.

Для бизнеса большая независимость также означает принятие на себя большей ответственности. PwC предупредила, что компании, выбирающие модели с открытым весом, должны самостоятельно обеспечивать их безопасность и обслуживание.

Меры защиты, которые нельзя отозвать

Эта ответственность становится особенно важной, когда модели ИИ могут выполнять чувствительные задачи в области кибербезопасности. Mistral утверждает, что Large 4 отклоняет 96,6% вредоносных киберзапросов. Однако эти меры защиты можно отключить после загрузки модели. AISI также предупреждает, что разработчики не могут контролировать или изымать копии, размещенные частным образом.

Moonshot выбрала иной подход. Компания удалила материалы по обучению кибербезопасности из Kimi K3.1 Pro перед запланированным выпуском весов 4 ноября. В результате ее внутренний показатель эффективности в задачах наступательного характера снизился с 90,5% до 81,0%. Тем не менее, эти результаты не были независимо проверены.

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