Mistral Le Chonk: 41% στο Terminal-Bench και ανοιχτά βάρη

Η Mistral κυκλοφόρησε τα βάρη του Mistral Large 4, γνωστού με το παρατσούκλι «Le Chonk», μαζί με νέες επιδόσεις που το τοποθετούν ανάμεσα στα κορυφαία ανοιχτά μοντέλα για προγραμματισμό. Στο Artificial Analysis Coding Agent Index, το ML4 κατατάσσεται στην κορυφή της κατηγορίας των ανοιχτών μοντέλων, ενώ η συνολική του βαθμολογία είναι 48 — ίδια με εκείνη του Codex GPT-6.1 Terra.

Η πιο καθαρή βελτίωση εμφανίζεται στο Terminal-Bench 4.0, ένα benchmark για agentic coding εργασίες. Το ML4 ανέβηκε από 28% στην έκδοση preview σε 41%, ξεπερνώντας κατά μία μονάδα το GLM-5.3 της Opencode. Η αλλαγή προέκυψε έπειτα από τρεις εβδομάδες δοκιμών με επιλεγμένους συνεργάτες, σύμφωνα με το δημοσίευμα.

Η εικόνα δεν είναι ίδια σε κάθε μέτρηση. Στον συνολικό Coding Agent Index, το GLM-5.3 προηγείται με 49 έναντι 48 του ML4, ενώ το Codex GPT-6.1 Terra βρίσκεται επίσης στο 48. Έτσι, η Mistral έχει ισχυρό επιμέρους αποτέλεσμα χωρίς να μπορεί ακόμη να παρουσιάσει καθολική πρωτιά σε όλους τους δείκτες.

Το μοντέλο χρησιμοποιεί τρεις λειτουργίες reasoning — low, medium και high — ώστε η ένταση της διαδικασίας να προσαρμόζεται στην πολυπλοκότητα της εργασίας. Το Mistral Large 4 είχε παρουσιαστεί αρχικά σε preview στις 6 Οκτωβρίου, με την τελική διάθεση των βαρών να ακολουθεί την αρχική υπόσχεση της εταιρείας.

Η Mistral υποστηρίζει επίσης ότι το ML4 ανταγωνίζεται κορυφαία ανοιχτά μοντέλα όπως το GLM-5.3, χρησιμοποιώντας κατά μέσο όρο 47% λιγότερα tokens ανά εργασία. Αν η διαφορά αυτή επιβεβαιώνεται σε πραγματικές ροές εργασίας και όχι μόνο στη συγκεκριμένη αξιολόγηση, μπορεί να επηρεάσει άμεσα το κόστος χρήσης agentic εργαλείων κώδικα.

Οι βαθμολογίες benchmarks χρειάζονται πάντως προσεκτική ανάγνωση. Το ίδιο το δημοσίευμα προειδοποιεί ότι αρκετά μοντέλα έχουν κατηγορηθεί για cheating, άρα ένα υψηλότερο σκορ δεν μεταφράζεται αυτόματα σε καλύτερη συμπεριφορά σε κάθε έργο ή κώδικα παραγωγής. Η πιο χρήσιμη ένδειξη εδώ είναι ο συνδυασμός της βελτίωσης από 28% σε 41% με τη διαθεσιμότητα των βαρών.

Το Le Chonk ξεχωρίζει ακόμη για την έμφαση στον κυβερνοχώρο. Η Mistral είχε παρουσιάσει το μοντέλο ως λύση με προσαρμόσιμο έλεγχο και κυριαρχία δεδομένων, ενώ οι αρχικοί συνεργάτες δοκιμών απέκτησαν πρόσβαση σε λιγότερο περιορισμένη έκδοση με διευρυμένες δυνατότητες κυβερνοασφάλειας.

Η εταιρεία περιγράφει την ασφάλεια ως λειτουργία που παραμένει υπό τον έλεγχο του χρήστη, σε αντίθεση με τα κλειστά μοντέλα, των οποίων η πρόσβαση μπορεί τεχνικά να ανακληθεί από τα εργαστήρια που τα αναπτύσσουν. Για το ML4, το επόμενο κρίσιμο τεστ δεν είναι μόνο η θέση του σε έναν πίνακα, αλλά το πόσο σταθερά αξιοποιούνται τα ανοιχτά βάρη σε πραγματικά περιβάλλοντα ανάπτυξης και άμυνας.

Η σύνταξη του άρθρου υποστηρίχθηκε από εργαλεία AI και το περιεχόμενο ελέγχθηκε σύμφωνα με τη συντακτική πολιτική του TechitNews.