Mistral AI เปิดตัว Mistral Large 4 (Le Chonk) โมเดล MoE 1.05 ล้านล้านพารามิเตอร์

Mistral AI ประกาศเปิดตัว Mistral Large 4 (ML4) หรือชื่อเล่นภายในว่า Le Chonk ในรูปแบบ Public Preview โดยเป็นโมเดล Mixture of Experts (MoE) แบบละเอียดที่มีพารามิเตอร์รวมสูงถึง 1.05 ล้านล้านพารามิเตอร์ และใช้พารามิเตอร์ขณะทำงานจริง 49 พันล้านพารามิเตอร์ต่อโทเคน

โมเดลนี้มาพร้อม Vision Encoder ขนาด 1.6 พันล้านพารามิเตอร์ และรองรับ Context Window กว้างถึง 1 ล้านโทเคน ตามเอกสารประกอบของโมเดล ระบุว่า ML4 ถูกฝึกฝนขึ้นใหม่ทั้งหมด (from scratch) บน NVIDIA Grace Blackwell GPU จำนวน 3,800 ตัว ภายในศูนย์ข้อมูลของ Mistral ในยุโรป

TL;DR

Mistral AI เปิดตัว Mistral Large 4 (‘Le Chonk’) เมื่อวันที่ 6 ตุลาคม 2026 เป็นโมเดล granular MoE ขนาด 1.05T พารามิเตอร์ รองรับภาพแบบ Native และมี Context Window 1M ฝึกฝนบน 3,800 NVIDIA Grace Blackwell GPU ใน EU โดยเปิดให้ใช้งานผ่าน API แล้วในราคา $1.36 ต่อ 1M Input และ $4.18 ต่อ 1M Output Tokens ส่วนน้ำหนักโมเดล (Weights) จะปล่อยช่วงปลายเดือนตุลาคม 2026 ทำให้ยังไม่สามารถทำ Self-hosting ได้ในตอนนี้ ผลลัพธ์เด่นชัดด้านความปลอดภัยไซเบอร์ด้วยคะแนน 93% บน Cybench และ 82% บน CyberGym-E2E เหนือกว่าโมเดลแบบปิดหลายตัวที่มักปฏิเสธภารกิจทดสอบเหล่านี้

สถาปัตยกรรมคืออะไร?

ML4 เป็นโมเดล MoE ที่ผสมผสานระหว่างการรับคำสั่ง (Instruct) และการใช้เหตุผล (Reasoning) รองรับการนำเข้าภาพแบบ Native โดยใช้พารามิเตอร์ทำงานต่อโทเคนเพียง 4.7% ซึ่งช่วยให้โมเดลระดับล้านล้านพารามิเตอร์สามารถให้บริการได้ในราคาตลาดระดับกลาง อย่างไรก็ตาม พารามิเตอร์ทั้งหมด 1.05T ยังต้องอยู่ในหน่วยความจำ จำนวนการเปิดใช้งาน (Activation count) จึงเป็นตัวกำหนดการประมวลผลหลัก

Mistral ยังไม่ได้เปิดเผยจำนวน Expert, การทำ Top-k Routing หรือโครงสร้างเลเยอร์ โดยข้อมูลเหล่านี้จะเปิดเผยพร้อมกับน้ำหนักโมเดลในภายหลัง ทั้งนี้ข้อมูลที่ใช้ฝึกฝนครอบคลุมมากกว่า 160 ภาษา รวมถึงภาษาราชการทั้งหมดของสหภาพยุโรป

Interactive Explainer

ประสิทธิภาพเป็นอย่างไร?

ในด้าน ความปลอดภัยไซเบอร์ (Cybersecurity) ML4 ทำคะแนนได้ 93% บน Cybench และ 82% บน CyberGym-E2E ติดอันดับ Top 5 ของโลกบน Artificial Analysis Cyber Index โดย Mistral ระบุว่าโมเดลแบบปิดระดับแนวหน้าหลายตัวได้คะแนนใกล้ศูนย์เพราะปฏิเสธภารกิจทันที ซึ่งการปฏิเสธในระดับผู้ให้บริการได้ขัดขวางงานด้านการจำลองช่องโหว่ที่เป็นมาตรฐานความปลอดภัย

สำหรับ การเขียนโค้ดผ่านเอเจนต์ (Agentic Coding) ML4 ได้คะแนน 61.7% บน DeepSWE v1.1 และมีคะแนนรวม Coding Agent Index บน Artificial Analysis ที่ 49.8% อย่างไรก็ตาม ข้อมูลนี้เป็นการประเมินภายในก่อนเกณฑ์วัดจะเปิดสู่สาธารณะ จึงยังไม่สามารถตรวจสอบซ้ำได้อย่างเป็นอิสระในขณะนี้

จากการประเมินโดยมนุษย์แบบ Blind Test ด้วย Surge AI พบว่าผู้ประเมินให้คะแนน ML4 Preview ที่ 3.74 จาก 5 คะแนน อยู่อันดับ 2 จาก 5 โมเดล นำหน้า GLM-5.3 (3.60) และ Kimi K3 (3.59) แต่ยังตามหลัง Claude Opus 5 ที่ได้ 4.22 คะแนน ส่วนด้าน ความปลอดภัย (Safety) โมเดลสามารถต้านทานการโจมตีได้ 93.3% บน Lakera’s B3 benchmark

เปรียบเทียบกับคู่แข่งแบบ open-weight ที่ใกล้เคียงที่สุดอย่างไร?

วันนี้คุณสามารถสร้างอะไรกับมันได้บ้าง?

API รุ่น Preview รองรับ Function Calling, Structured Outputs, การตอบคำถามจากเอกสาร (Document QnA) และการประมวลผลแบบกลุ่ม (Batching) รวมถึงจุดเชื่อมต่อสำหรับ Agents และ Conversations นอกจากนี้ อินพุตที่มีการทำแคช (Cached Input) ยังมีราคาประหยัดเพียง $0.14 ต่อ 1M tokens ซึ่งช่วยลดต้นทุนสำหรับระบบเอเจนต์ที่ต้องใช้บริบทขนาดยาวได้อย่างมาก

ประเด็นสำคัญ

• พารามิเตอร์รวม 1.05T, ทำงานจริง 49B ต่อโทเคน, Context 1M, Vision Encoder 1.6B
• ฝึกบน 3,800 Grace Blackwell GPUs ในศูนย์ข้อมูล EU ของตัวเอง
• API เปิดใช้งานแล้ว ราคา $1.36 (Input) / $4.18 (Output) ต่อ 1M tokens
• น้ำหนักโมเดลจะปล่อยปลายเดือนตุลาคม 2026 ทำให้ยังไม่สามารถติดตั้งใช้งานเอง (Self-hosting) ได้ในขณะนี้
• โดดเด่นด้านความปลอดภัยไซเบอร์ เหนือกว่าโมเดลแบบปิดที่มักปฏิเสธการทำภารกิจด้านนี้