TL;DR: ML4 เป็นโมเดลโอเพนเวตแบบมัลติโมดัล (รองรับข้อความ ภาพ และเอกสาร) ที่เด่นด้าน cybersecurity, coding และเอเจนต์ เหมาะกับองค์กรที่ต้องการควบคุมการใช้งานและนำไปรันบนระบบของตัวเอง ถ้าเป็นผม ผมแนะนำให้เริ่มจากการทดลองผ่าน API ก่อน แล้วค่อยประเมิน self-deployment เมื่อ weights พร้อม
Mistral Large 4 (ML4) คือโมเดลโอเพนเวตแบบมัลติโมดัล (รองรับข้อความ ภาพ และเอกสาร) มีพารามิเตอร์ทั้งหมด 1 ล้านล้านตัว และมีพารามิเตอร์ที่ทำงานอยู่ 49 พันล้านตัว จุดเด่นครอบคลุมงานความปลอดภัยไซเบอร์ การเขียนโค้ด เอเจนต์ และงานความรู้ เช่น สเปรดชีต สไลด์ และ PDF
ตอนนี้ ML4 ยังเปิดให้ใช้งานแบบ public preview ผ่าน Mistral Studio ส่วน weights หรือชุดพารามิเตอร์ของโมเดล มีกำหนดปล่อยภายในสิ้นเดือน เหมาะกับองค์กรที่ต้องการควบคุมการใช้งาน AI และนำไปรันบน private cloud หรือโครงสร้างพื้นฐานของตัวเอง
Mistral Large 4 ในภาพเดียว
Mistral Large 4 คือโมเดล multimodal ขนาด 1 trillion parameters โดยมี 49 billion active parameters และเตรียมเปิด weights ให้ใช้งานแบบ open-weight
ถ้ามองเป็นลำดับผลิตภัณฑ์ ML4 ก็เหมือนพี่ใหญ่ของ Mistral ในเวลานี้ ส่วนโมเดลรุ่นเล็กกว่าจะเหมาะกับงานที่ต้องการต้นทุนและทรัพยากรน้อยกว่า
เมื่อทีมความปลอดภัยต้องพิสูจน์ช่องโหว่โดยไม่ถูกปฏิเสธ
งานวิจัยช่องโหว่และการรับมือเหตุการณ์อาจสะดุด เมื่อ provider-level refusals หรือการปฏิเสธคำขอจากผู้ให้บริการ ปิดกั้นคำขอที่มีเหตุผลด้านความปลอดภัย ยิ่งเกิดเหตุอยู่ การเสียความสามารถระหว่างทางก็กลายเป็นความเสี่ยงอีกชั้น
ML4 ถูกวางมาให้ทำงานลักษณะนี้ โดยรองรับการพิสูจน์ช่องโหว่ วิเคราะห์ malware จัดลำดับความสำคัญของช่องโหว่ และเขียนกฎตรวจจับ ในการทดสอบหนึ่ง ML4 ทำคะแนนได้ 82% และแก้โจทย์ใน Cybench ได้ 93%
จุดสำคัญคือองค์กรสามารถใช้ open weights และ self-deployment หรือการติดตั้งและดูแลโมเดลบนระบบขององค์กรเอง บน private cloud หรือ on-premise ได้ จึงควบคุมการใช้งานให้สอดคล้องกับนโยบายความปลอดภัยของตัวเอง.
ML4 อยู่ตรงไหนในทิศทางของ Mistral
ณ เวลาที่ประกาศ ML4 เป็นโมเดลที่ใหญ่และมีความสามารถสูงสุดของ Mistral โดยบริษัทวางให้เป็นฐานของ Mistral รุ่นเฉพาะทางและรุ่นที่ปรับให้เหมาะกับงานต่างๆ
การเปิด weights และรองรับ self-deployment ทำให้องค์กรควบคุมการใช้งาน AI ได้เอง ทั้งการกำหนดนโยบายและการนำไปรันในสภาพแวดล้อมของตัวเอง ทิศทางนี้เหมาะกับงานสำคัญที่ต้องการทั้งความสามารถและ autonomy.
จากโมเดลรุ่นก่อนสู่ ML4: สิ่งที่แหล่งข้อมูลยืนยันได้
| Factor | โมเดลรุ่นก่อน | Mistral Large 4 |
|---|---|---|
| ขนาดโมเดล | ไม่มีข้อมูลจากแหล่งต้นทาง | 1 trillion parameters; active 49 billion |
| ความสามารถ | ไม่มีข้อมูลจากแหล่งต้นทาง | natively multimodal |
| สถานะ | ไม่มีข้อมูลจากแหล่งต้นทาง | public preview ผ่าน Mistral Studio |
| แผนปล่อย weights | ไม่มีข้อมูลจากแหล่งต้นทาง | ภายในสิ้นเดือน |
แหล่งต้นทางไม่มีรายละเอียดของโมเดลรุ่นก่อนให้เทียบแบบตัวเลข จึงสรุปได้เฉพาะว่า ML4 เป็นรุ่นที่ใหญ่และมีความสามารถมากที่สุดของ Mistral ตอนนี้ โดยเปิดให้ลองผ่าน preview API แล้ว.
ความสามารถที่แปลเป็นงานจริงได้อย่างไร
งานความปลอดภัยสามารถใช้ ML4 จำลองช่องโหว่ในซอฟต์แวร์ open-source แล้วช่วยเขียน patch ได้ โดยทำคะแนน 82% ในการทดสอบหนึ่ง และแก้โจทย์ Cybench ได้ 93% เหมาะกับทีมที่ต้องตรวจสอบและรับมือเหตุการณ์จริง
สำหรับทีมพัฒนา ML4 เข้าใจ repository และทำงานผ่าน terminal ที่ซับซ้อนได้ คะแนน DeepSWE v1.1 อยู่ที่ 61.7% และ Terminal-Bench 4 อยู่ที่ 28.3%
ในงานธุรกิจ เอเจนต์ของ ML4 ใช้เครื่องมือและทำงานผ่าน Gmail, Google Sheets, Slack หรือ Salesforce ได้ โดยทำคะแนน AutomationBench 59.9%
ถ้าต้องส่งมอบงานต่อเนื่อง ML4 ยังทำสเปรดชีต สไลด์ และ PDF ได้ คะแนน AA-Briefcase อยู่ที่ 1,393 Elo จึงเหมาะกับงานความรู้ที่ต้องทำหลายขั้นตอนจนได้เอกสารพร้อมใช้
ML4 อยู่แถวหน้าจากหลายการทดสอบ แต่คะแนนไม่ได้สูงสุดทุกด้าน โดยงานประเมิน coding แบบ blind ให้ ML4 Preview อันดับ 2 จาก 5 โมเดล ส่วน Claude Opus 5 ได้อันดับ 1
| Factor | ML4 Preview | Claude Opus 5 | Kimi K3 | GLM-5.3 | GLM-5.2 | DeepSeek V4 Pro |
|---|---|---|---|---|---|---|
| Blind coding evaluation | อันดับ 2, 3.74/5 | อันดับ 1, 4.22/5 | 3.59/5 | 3.60/5 | 3.40/5 | ไม่ระบุ |
| AutomationBench | 59.9% | ไม่ระบุ | ต่ำกว่า ML4 | ไม่ระบุ | ไม่ระบุ | ต่ำกว่า ML4 |
| AA-Briefcase | 1,393 Elo | ไม่ระบุ | ไม่ระบุ | ไม่ระบุ | ไม่ระบุ | ต่ำกว่า ML4 |
ภาพรวมคือ ML4 เด่นกับงาน coding และ agent ที่ต้องทำงานต่อเนื่อง แต่ Claude Opus 5 ยังนำในคะแนนคุณภาพ coding แบบ blind.
จุดแข็งชัดเจน แต่ข้อจำกัดยังต้องรอดู
ML4 เด่นด้าน cybersecurity โดยทำคะแนน 82% ในการทดสอบช่องโหว่ และ 93% ใน Cybench อีกจุดแข็งคือรองรับข้อมูลมากกว่า 160 ภาษา เหมาะกับองค์กรที่ทำงานหลายประเทศ
ข้อดี
- +ทำคะแนนด้าน cybersecurity สูงในกลุ่ม open-weight
- +รองรับข้อมูลมากกว่า 160 ภาษา
- +ใช้งานบน private cloud หรือ on-premise ได้
ข้อเสีย
- −ยังอยู่ในสถานะ public preview
- −รายละเอียดสถาปัตยกรรมยังไม่เปิดเผย
- −post-training methodology ยังไม่เปิดเผย
ตอนนี้จึงเหมาะกับการทดลองผ่าน API ก่อน ส่วนการติดตั้งใช้งานจริงควรรอ weights และรายละเอียดเพิ่มเติมที่จะเผยแพร่ภายในสิ้นเดือน
ต้นทุนที่ต้องคิดนอกเหนือจากการเรียกใช้ API
การใช้ preview API ช่วยให้เริ่มทดลองได้ทันที โดย Mistral ดูแล infrastructure ให้ แต่การใช้ open weights แบบ self-deployment บน private cloud หรือ on-premise จะย้ายภาระด้านระบบและการดูแลโครงสร้างพื้นฐานมาไว้ที่องค์กรเอง ทั้งการจัดหา GPU ทีมงานดูแลระบบ และการอัปเดตความปลอดภัยอย่างต่อเนื่อง ราคา API อยู่ที่ประมาณ 1.36 ดอลลาร์ต่อล้าน input token และ 4.18 ดอลลาร์ต่อล้าน output token ซึ่งเป็นต้นทุนที่ต้องคิดคู่กับต้นทุนโครงสร้างพื้นฐานถ้าเลือกทางใดทางหนึ่ง
สรุป: ทางเลือกที่ต้องชั่งน้ำหนักระหว่างความสามารถกับภาระดูแลระบบ
Mistral Large 4 เป็นโมเดลที่แสดงให้เห็นว่าโมเดลแบบ open-weight ก็แข่งขันด้านความสามารถกับโมเดลปิดได้ โดยเฉพาะงาน cybersecurity และงานเอเจนต์ที่ต้องทำงานต่อเนื่องหลายขั้นตอน จุดที่ยังต้องรอดูคือรายละเอียดสถาปัตยกรรมและ post-training methodology ที่ยังไม่เปิดเผยครบถ้วน
สำหรับองค์กรที่สนใจ ทางเลือกตอนนี้คือเริ่มทดลองผ่าน preview API ก่อน แล้วค่อยประเมินว่าจะย้ายไปใช้ self-deployment เมื่อ weights เปิดให้ดาวน์โหลดภายในสิ้นเดือนนี้หรือไม่ โดยชั่งน้ำหนักระหว่างความสามารถที่ได้กับภาระด้านระบบที่ต้องแบกรับเพิ่มขึ้น