Por Canuto  

Mistral publicó los pesos de Large 4 después de añadir tres semanas de aprendizaje por refuerzo, y reportó mejoras en codificación agéntica y ciberseguridad. El modelo activa 52.000 millones de sus parámetros por tarea, mientras su versión cuantizada puede ejecutarse con cuatro GPU Nvidia B200 o B300.
***

  • Large 4 pasó de 28% a 41% en Terminal-Bench 4.0, según los resultados citados por Mistral.
  • El modelo obtuvo 79% en CyberGym-E2E y, en el índice de codificación de Artificial Analysis, utilizó 47% menos tokens por tarea que GLM-5.3.
  • Mistral lo entrenó con 3.800 GPU Nvidia Grace Blackwell en Europa y aún no anunció los precios de la API.

Mistral libera los pesos de Large 4 y destaca avances en programación y ciberseguridad

Una nueva versión tras tres semanas adicionales de entrenamiento

Mistral publicó los pesos de Large 4, su modelo de un billón de parámetros, después de incorporar tres semanas adicionales de aprendizaje por refuerzo guiado por comentarios de clientes. La firma parisina sostiene que el ajuste convirtió a ML4 en el modelo abierto más potente para codificación agéntica y defensa cibernética, una valoración de la compañía que la cobertura de The Next Web recogió junto con los resultados de varias pruebas comparativas.

El sistema, al que Mistral apoda «Le Chonk», puede procesar texto e imágenes y generar texto y código. Aunque el modelo suma un billón de parámetros, activa 52.000 millones para cada tarea, una arquitectura que permite explicar por qué su tamaño total no equivale necesariamente a que todas sus capacidades se utilicen a la vez en cada consulta.

La empresa también puso a disposición una versión cuantizada, es decir, una variante optimizada para reducir sus necesidades de ejecución, que puede funcionar con cuatro GPU Nvidia B200 o B300. La publicación de los pesos amplía las opciones para quienes desean utilizar el modelo fuera de una interacción convencional con un chatbot, aunque la información disponible no detalla aquí condiciones de licencia ni otros requisitos de uso.

El desempeño en programación es uno de los cambios más visibles frente a la vista previa. En Terminal-Bench 4.0, una prueba de codificación agéntica en terminal, ML4 pasó de 28% a 41%; el resultado quedó apenas por encima del 40% de GLM-5.3, según los datos presentados por Mistral.

Menos tokens y resultados en pruebas de seguridad

En el Coding Agent Index de Artificial Analysis, Large 4 rivaliza con GLM-5.3 y utiliza, en promedio, 47% menos tokens por tarea, de acuerdo con la información difundida. Esa diferencia importa especialmente cuando un agente de programación trabaja durante periodos prolongados, porque el consumo se acumula a lo largo de numerosas operaciones; aun así, la comparación no permite concluir por sí sola cuál modelo será más conveniente para cada uso o configuración.

La evaluación de ciberseguridad también figura entre las áreas en las que Mistral destaca a su nuevo sistema. ML4 logró 79% en CyberGym-E2E, una prueba que mide si un modelo puede localizar, reproducir y corregir fallas reales de seguridad de memoria en proyectos de código abierto escritos en C y C++.

Ese 79% iguala el resultado atribuido a MiMo-V2.6-Pro y supera el 76% de DeepSeek V4.1 Flash en la misma prueba, según las cifras citadas. El dato describe un desempeño en un entorno de evaluación concreto y no equivale, por sí mismo, a una certificación de que el modelo pueda proteger cualquier sistema o aplicación frente a ataques reales.

La compañía afirma que algunos de sus primeros usuarios de prueba, a quienes identifica como gobiernos y empresas, pidieron mayor control sobre cuánto tiempo dedica el modelo a razonar. Como respuesta, Mistral incorporó modos de razonamiento bajo y medio junto al nivel alto, y asegura que hizo este último 50% más eficiente.

Uso en pruebas de penetración y debate sobre pesos abiertos

Mistral indicó que algunos clientes ya utilizan ML4 para pruebas de penetración automatizadas. En esos casos, agentes especializados examinan las aplicaciones de sus propios usuarios en busca de posibles vías de acceso y redactan los hallazgos, un uso que sitúa al modelo tanto en tareas de desarrollo como en labores de revisión de seguridad.

Pierre Stock, vicepresidente de Ciencia de Mistral, defendió la publicación abierta como una forma de continuidad para quienes adoptan estos sistemas. «La IA va a ser como la electricidad», afirmó, y agregó que ninguna empresa debería depender de un proveedor capaz de cortar el acceso «de un día para otro»; a su juicio, una vez que los pesos circulan en línea, ya no pueden retirarse.

Ese argumento convive con las advertencias de quienes consideran que los modelos abiertos también pueden elevar riesgos, una objeción que la noticia menciona sin atribuir una evaluación específica a un estudio concreto. Stock aplicó su razonamiento a los laboratorios chinos que dominan el sector de modelos abiertos: dijo que nada garantiza que sigan publicando sus pesos y que sus sistemas ofrecen menos transparencia y podrían convertirse en vectores de ataque.

La discusión deja una tensión de fondo entre acceso, control y seguridad: la circulación de los pesos puede reducir la dependencia de un proveedor, pero también dificulta retirar el modelo una vez que otras personas lo obtienen. La publicación de Large 4, por tanto, no resuelve por sí sola ese debate, aunque Mistral presenta la disponibilidad abierta como una garantía de continuidad para empresas e instituciones.

Infraestructura, costos y próximos lanzamientos

Mistral afirma que desarrolló ML4 con una fracción de los recursos disponibles para laboratorios cerrados y competidores chinos, aunque esa comparación resulta difícil de verificar porque los laboratorios chinos revelan pocos datos sobre sus costos de entrenamiento. La compañía sostiene que ningún otro actor alcanzó ese nivel con tan pocos recursos y señala que sus competidores contaban con mayor financiamiento y valoraciones.

Según la empresa, el entrenamiento de ML4 utilizó 3.800 GPU Nvidia Grace Blackwell en Europa, mientras que el aprendizaje por refuerzo se ejecutó en infraestructura propia en Francia y consumió alrededor de 10 megavatios. Arthur Mensch, CEO de Mistral, contrastó esas cifras con las de otros laboratorios: «Otros laboratorios han recaudado cientos de miles de millones para desarrollar capacidades equivalentes; en tres años, Mistral recaudó aproximadamente USD $6.000 millones».

La empresa prevé lanzar en los próximos meses versiones más pequeñas y destiladas, incluida una que pueda funcionar en una computadora portátil, pero no se comprometió con fechas. Tampoco publicó todavía los precios de la API, y Stock argumentó que comparar tarifas por token puede ser engañoso si un modelo necesita muchos menos tokens para completar el mismo trabajo.

ML4 ya está disponible en Hugging Face y mediante la API de Mistral, además de llegar a algunos usuarios de Vibe, según la información publicada. Stock planteó que el reto siguiente no consiste solo en alcanzar la frontera de capacidad una vez, sino en «crear la cadencia de la frontera», una meta que dependerá de la capacidad de la empresa para sostener avances y lanzamientos sucesivos.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados