สรุปสั้นๆ: Mistral Large 4 หรือ ML4 เป็นโมเดลมัลติโมดัล (รับข้อมูลได้หลายรูปแบบ) ขนาด 1 ล้านล้านพารามิเตอร์ (ค่าที่ใช้กำหนดพฤติกรรมของโมเดล) จากฝรั่งเศส จุดเด่นคือแผนเปิด weights (ค่าน้ำหนักของโมเดล) หลัง safety testing (การทดสอบความปลอดภัย) แต่ตอนนี้ยังใช้ได้ผ่าน public guardrail endpoint (จุดเชื่อมต่อที่มีระบบควบคุมความปลอดภัย) เท่านั้น
Mistral Large 4 (ML4) หรือ “Le Chonk” คือโมเดลมัลติโมดัล (รับข้อมูลได้หลายรูปแบบ) ขนาด 1 ล้านล้านพารามิเตอร์ (ค่าที่ใช้กำหนดพฤติกรรมของโมเดล) จากฝรั่งเศส Mistral วางให้เป็นทางเลือกจากยุโรป ระหว่างโมเดลปิดจากอเมริกากับโมเดลเปิดที่มักมาจากจีน
ตอนนี้ยังใช้ได้ผ่าน public guardrail endpoint (จุดเชื่อมต่อที่มีระบบควบคุมความปลอดภัย) เท่านั้น โดย Mistral เตรียมเปิด weights (ค่าน้ำหนักของโมเดล) หลังทดสอบความปลอดภัยเสร็จในสามสัปดาห์ จุดใช้งานที่บริษัทโฟกัสคือ cybersecurity, finance และการออกแบบชิป
ML4 คืออะไรในภาพเดียว
Mistral Large 4 หรือ ML4 คือโมเดล multimodal ขนาด 1 trillion parameters จุดยืนของมันคือเป็นทางเลือกที่อยู่ระหว่างโมเดลปิดกับโมเดลเปิด
ภาพนี้สรุป ML4 แบบง่ายๆ: โมเดลขนาดใหญ่ตรงกลาง รับโจทย์หลายรูปแบบ และ Mistral พยายามวางตัวให้แข่งขันได้กับทั้งสองฝั่ง
ปัญหาขององค์กรที่อยากตรวจสอบ AI ได้มากขึ้น
องค์กรและสถาบันกำลังให้ความสำคัญกับความปลอดภัยของโมเดล AI มากขึ้น โดยเฉพาะกลุ่มลูกค้าหลักของ Mistral ที่เป็น enterprise และสถาบันต่างๆ พวกเขาต้องการทางเลือกที่ตรวจสอบการทำงานได้มากกว่าโมเดลปิด
จุดน่าสนใจของ ML4 คือ Mistral ระบุว่า open-weight model (โมเดลที่เปิดค่าน้ำหนักให้ตรวจสอบหรือนำไปใช้งานต่อได้) ตรวจสอบได้ง่ายกว่า แต่ตอนนี้ยังเปิดให้ใช้ผ่าน public guardrail endpoint เท่านั้น บริษัทวางแผนปล่อย weights หลังทดสอบความปลอดภัยเสร็จในอีก 3 สัปดาห์ ทำให้องค์กรต้องรอดูทั้งความปลอดภัยและวิธีใช้งานจริงก่อนตัดสินใจ
ทำไม Mistral ยังอยากเป็น Frontier Lab
ML4 คือก้าวที่ Mistral ใช้ย้ำว่าตัวเองยังเป็น frontier lab (บริษัทวิจัยและพัฒนาโมเดล AI ระดับแนวหน้า) ไม่ใช่แค่ผู้ให้บริการโมเดล โดยวางบทบาทเป็น “ทางที่สาม” ของ AI ตามคำอธิบายของประธานาธิบดีฝรั่งเศส Macron ระหว่างโมเดลปิดจากสหรัฐฯ กับโมเดลเปิดที่มักมาจากจีน
ถ้าเปรียบเทียบง่ายๆ โมเดลปิดคือพี่ใหญ่ที่ควบคุมทุกอย่างเอง ส่วน ML4 พยายามวางตัวเป็นทางเลือกที่เปิดให้ตรวจสอบได้มากขึ้น และมีโมเดลของตัวเองอยู่เบื้องหลัง
แม้ Mistral เคยเลือกโฮสต์โมเดลจีน บริษัทบอกว่านั่นไม่ใช่การเปลี่ยนตัวเองเป็นเพียง inference provider (ผู้ให้บริการประมวลผลคำสั่งผ่านโมเดล) การมี Le Chonk หรือ ML4 ขนาด 1 trillion parameters จึงเป็นหลักฐานว่า Mistral ยังต้องการพัฒนาโมเดลระดับแนวหน้าเองด้วย
เมื่อ Mistral เลือกพัฒนาโมเดลเอง ไม่ใช่แค่โฮสต์ของจีน
| Factor | ก่อนเปิดตัว ML4 | ช่วงเปิดตัว ML4 |
|---|---|---|
| บทบาทบริษัท | ยืนยันว่าไม่ใช่แค่ inference provider | วางตัวเป็น frontier lab |
| แนวทางโมเดล | โฮสต์โมเดลจีน | พัฒนา ML4 ขนาด 1 trillion parameters |
| จุดยืน open-weight | ยังไม่เปิดน้ำหนักโมเดล | ยังไม่เปิดทันที และเตรียมเปิดหลังทดสอบความปลอดภัย |
| ลูกค้าองค์กร | ให้ความสำคัญกับ enterprises และ institutions | เน้น cybersecurity, finance และ chip design |
ภาพรวมคือ Mistral พยายามขยับจากบทบาทผู้ให้บริการโมเดล ไปสู่ผู้พัฒนาโมเดลระดับแนวหน้าด้วยตัวเอง แต่ ML4 ยังต้องผ่านการทดสอบความปลอดภัยก่อนเปิด weights ให้ใช้งานแบบ open-weight อย่างเต็มรูปแบบ.
งานที่ ML4 เน้นเป็นพิเศษ และเหตุผลเบื้องหลัง
ML4 เป็นโมเดลมัลติโมดัล จึงมีโอกาสเหมาะกับงานที่ต้องอ่านและเชื่อมโยงข้อมูลหลายรูปแบบ เช่น ภาพกับข้อความ แต่ Mistral ยังไม่มีผล benchmark (การทดสอบเพื่อเปรียบเทียบประสิทธิภาพ) ยืนยันเรื่องนี้
ขนาด 1 ล้านล้านพารามิเตอร์ทำให้ความคาดหวังด้าน performance สูงขึ้น โดยเฉพาะงานเฉพาะทาง อย่างไรก็ตาม นี่ยังเป็นเป้าหมาย ไม่ใช่ผลทดสอบที่ยืนยันแล้ว
การเตรียมเปิด weights หลัง safety testing อาจช่วยให้องค์กรตรวจสอบโมเดลและกำกับดูแลการใช้งานได้ละเอียดขึ้น แต่ความพร้อมจริงยังต้องรอการเปิด weights
Mistral ระบุว่าฝึก ML4 ด้วย 4,000 Nvidia GPUs ของตัวเอง จึงสะท้อนแนวทางใช้ทรัพยากรประมวลผลอย่างควบคุมได้ ทั้งหมดนี้เป็นโอกาสในการใช้งานตามเป้าหมายของ Mistral ไม่ใช่ข้อสรุปจากการทดสอบจริง
ML4 เทียบกับทางเลือกที่องค์กรกำลังพิจารณา
ML4 ยังอยู่ระหว่างรอ benchmark และเปิด weights หลัง safety testing อีกประมาณ 3 สัปดาห์ จึงเหมาะกับองค์กรที่อยากได้โมเดลตรวจสอบได้ในอนาคต แต่ต้องรอความพร้อมจริงก่อนตัดสินใจ
ถ้ามองเป็นลำดับผลิตภัณฑ์ ML4 ยังไม่ใช่ “พี่ใหญ่” ที่พิสูจน์ตัวเองแล้ว และยังไม่ใช่ “น้องเล็ก” ที่พร้อมให้ทุกคนทดลองแบบเปิดเต็มรูปแบบ ถ้าเป็นผม ผมแนะนำให้องค์กรติดตามผล benchmark และรอการเปิด weights ก่อนนำไปใช้กับงานสำคัญ
| Factor | ML4 | โมเดลปิดจากสหรัฐฯ | โมเดลเปิดที่มักพัฒนาจากจีน | open-weight อื่นนอกจีน |
|---|---|---|---|---|
| การเข้าถึง weights | ยังไม่เปิด; ใช้ผ่าน guardrail endpoint | ปิด | เปิด | ข้อมูลไม่ระบุ |
| สถานะ benchmark | ผลยังรออยู่ | ข้อมูลไม่ระบุ | ข้อมูลไม่ระบุ | ข้อมูลไม่ระบุ |
| การตรวจสอบ | มีแนวโน้มตรวจสอบได้เมื่อเปิด weights | ตรวจสอบได้จำกัด | ตรวจสอบได้มากกว่าโมเดลปิด | ข้อมูลไม่ระบุ |
| ความปลอดภัย | อยู่ระหว่าง safety testing | ปิดและควบคุมโดยผู้ให้บริการ | ต้องจัดการความเสี่ยงการใช้งาน | ข้อมูลไม่ระบุ |
| จุดเน้น | cybersecurity, finance, chip design | ข้อมูลไม่ระบุ | ข้อมูลไม่ระบุ | open-weight นอกจีน |
สิ่งที่ ML4 ทำได้ดีและสิ่งที่ยังเป็นคำถาม
ML4 เด่นที่ขนาด 1 ล้านล้านพารามิเตอร์ รองรับงาน multimodal และฝึกด้วย compute ของ Mistral เอง โดยใช้ 4,000 Nvidia GPUs พร้อมแผนเปิด weights หลัง safety testing เสร็จ
ข้อดี
- +ขนาด 1 ล้านล้านพารามิเตอร์
- +รองรับงาน multimodal และเน้น cybersecurity, finance, chip design
- +ฝึกด้วย compute ของ Mistral เอง
- +มีแผนเปิด weights ในสามสัปดาห์
ข้อเสีย
- −ผล benchmark ยังไม่เปิดเผย
- −ตอนนี้เข้าถึงได้ผ่าน public guardrail endpoint เท่านั้น
- −ต้องรอ safety testing ก่อนเปิด weights
คำถามที่ Mistral ยังไม่ตอบเรื่องการใช้งานจริง
ML4 ฝึกด้วย compute ของ Mistral เอง โดยใช้ GPU ของ Nvidia จำนวน 4,000 ตัว ซึ่ง Pierre Stock รองประธานฝ่ายวิทยาศาสตร์ของ Mistral ระบุว่าน้อยกว่าคู่แข่งจากจีนประมาณ 2-3 เท่า และน้อยกว่าคู่แข่งที่เป็นโมเดลปิดอย่างมีนัยสำคัญ อย่างไรก็ตาม แหล่งข่าวต้นทางยังไม่ได้ระบุต้นทุนค่าใช้จ่ายที่ชัดเจนสำหรับองค์กรที่จะนำ ML4 ไปใช้งานจริงหลังเปิด weights