Mistral Large 4 릴리스 노트

Mistral AI는 1조 파라미터(490억 개 활성 파라미터)를 가진 네이티브 멀티모달 모델인 Mistral Large 4(ML4)의 공개 프리뷰를 발표했습니다. ML4는 사이버보안, 금융, 법률, 에이전트 기반 소프트웨어 공학 분야의 고위험 기업 업무에 특화되어, 오픈웨이트 성능의 경계를 확장하도록 설계되었습니다.

기술 사양 및 인프라

Mistral Large 4는 Mistral의 자체 유럽 데이터센터 내에서 3,800개의 NVIDIA Grace Blackwell GPU를 사용해 처음부터 훈련되었습니다. 모델의 훈련 데이터는 다국어에 매우 중점을 두었으며, 유럽 연합의 모든 공식 언어를 포함해 160개 이상의 언어를 커버했습니다.

주요 아키텍처 및 배포 세부 사항은 다음과 같습니다:

  • 파라미터 수: 총 1조 파라미터, 활성 파라미터 490억 개.
  • 배포: Mistral Studio에서 프리뷰 API를 통해 이용 가능하며, 가중치는 이번 달 말에 공개될 예정입니다.
  • 주권: 모델은 유럽 내에서 Mistral이 종단 간 운영하며, 다른 디지털 서비스 제공자와 독립적이며 유럽 법에 의해 규제됩니다.

사이버보안 기능

ML4는 사이버보안 분야에서 최첨단 오픈웨이트 모델로, 폐쇄형 모델에서 흔히 볼 수 있는 제한적인 거부 반응 없이 취약점 조사 및 사고 대응을 수행할 수 있도록 우선시됩니다.

  • 성능 벤치마크: ML4는 Artificial Analysis Cyber Index에서 세계적으로 상위 5개 모델 중 하나로 평가받았습니다. 오픈소스 소프트웨어의 실제 취약점 재현 및 패치 테스트에서 82%의 점수를 기록했으며, 이는 모든 모델 중 최고 점수입니다. 또한 Cybench의 93%의 과제를 해결했습니다.
  • 경쟁 우위: Mistral은 GPT-6 Astra 및 Claude Opus 5.5와 같은 폐쇄형 모델이 이러한 특정 테스트에서 안전 필터 거부로 인해 거의 0점에 가까운 점수를 받는다고 지적합니다. ML4는 악성코드 분석, 취약점 우선순위 정하기, 탐지 규칙 작성 기능을 제공하며, 감사 가능성을 위해 사내 클라우드 또는 온프레미스에서 배포할 수 있습니다.

에이전트 기반 코딩 및 소프트웨어 공학

ML4는 리포지토리 이해, 터미널 워크플로우, 자율 소프트웨어 공학 작업에서 높은 전문성을 보여줍니다.

  • 코딩 벤치마크: DeepSWE v1.1에서 61.7%, SWE-Atlas-QnA에서 59.4%, Terminal-Bench 4에서 28.3%를 기록했습니다. 종합 코딩 에이전트 지수 49.8%는 DeepSeek V4 Pro 0813 및 Qwen3.8 Max를 앞섭니다.
  • 사람 평가: Surge AI의 블라인드 평가에서 ML4 프리뷰는 5개 모델 중 2위를 기록했으며, 점수는 3.74였습니다. 이는 Claude Opus 5(4.22)에 이어지며, Kimi K3, GLM-5.3, GLM-5.2를 모두 앞섭니다.
  • 일반 자동화: AutomationBench(657개 비즈니스 워크플로우)에서 59.9%를 기록해 Kimi K3, MiMo-V2.6-Pro, DeepSeek V4 Pro를 모두 능가했습니다.

멀티모달 이해 및 과학

ML4는 시각적 추론에서 중요한 진전을 이뤄내며, 복잡한 문서, 차트, 지리공간 이미지를 처리할 수 있습니다.

  • 시각적 기반: ML4는 Dense 200 벤치마크에서 GPT-6-Astra를 앞섰습니다(42% 대 41%). 이 기능은 재난 대응을 위한 기가픽셀 위성 이미지 검사 및 기술 도면에서 기계 부품 검증을 가능하게 합니다.
  • 과학 워크플로우: SciCode-Verified 벤치마크에서 오픈웨이트 모델 중 최고 수준입니다. 화학 분야의 전체 Hartree–Fock 시뮬레이션 생성 및 이론 물리학과 관련된 복잡한 응용 수학 작업 수행이 가능합니다.

전문 지식 업무

ML4는 법률 및 금융 분야의 고정밀 작업에 최적화되어 있습니다.

  • 법률 및 금융: vals.ai의 제3자 평가에 따르면, ML4는 대표적인 법률 및 금융 업무에서 GPT-6-Astra를 초과합니다. 또한 HarveyAI의 Legal Agent 벤치마크에서 모든 오픈소스 모델을 앞섭니다.
  • 금융 분석: 공개 기업의 서류를 EDGAR 및 유럽 데이터베이스를 통해 검색하여 정보를 통합하는 다단계 기업 금융 과제를 수행할 수 있습니다.

모델 안전성 및 강건성

ML4는 사이버보안 연구자들의 활용성을 유지하면서도 고도의 안전 조치를 구현합니다.

  • 공격 저항성: Lakera의 B3 AI 보안 벤치마크에서 ML4는 93.3%의 공격을 저항하며 경쟁 모델 중 최고 수준입니다. 또한 GLM-5.2, GLM-5.3, Kimi-K2.6, Kimi-K3, DS-V4-Pro-0813와 비교해 간접 프롬프트 삽입에 대해 높은 강건성을 보입니다.
  • 책임감 있는 참여: ML4는 KORA 벤치마크에서 1.691의 점수를 기록했습니다. 높은 사이버 능력을 지닌 동시에, JailbreakBench, StrongREJECT, AgentHarm를 통해 측정된 악성 요청에 대한 평균 거부율이 다른 오픈웨이트 모델보다 높습니다.

대규모 강화 학습(RL)

Mistral은 모델의 진화에 따라 적응할 수 있는 조합형 RL 라이브러리를 사용합니다. 이 시스템은 단일 훈련 실행에서 안전성 정렬, 사실성, 장기 도구 사용과 같은 다양한 작업을 결합할 수 있습니다.

  • 훈련 규모: 3,000개의 GPU를 사용해 단일 훈련 실행에서 하루에 약 330억 토큰을 생성하며, 그 중 160억 토큰은 훈련 가능한 완성 토큰입니다.
  • 인프라: 파이프라인은 장기적인 경로와 높은 롤아웃 예산(수백만 토큰)을 최적화하여 비정책적 편차를 최소화하고 장기적인 안정적인 RL을 보장합니다.

Sources