Mistral представила Le Chonk — мультимодальную MoE‑модель с «триллионным» масштабом и акцентом на агентные сценарии, код и работу с техдокументацией. Рассказываем, что известно о параметрах, бенчмарках, сроках выхода весов и сколько стоит попробовать модель через API.
Mistral анонсировала Le Chonk — новую мультимодальную модель на 1,05 трлн параметров. Это формат Mixture of Experts (MoE): при одном проходе активируется только часть сети — по заявлению разработчиков, 49 млрд параметров. В составе также указан vision‑энкодер на 1,6 млрд параметров, то есть модель рассчитана не только на текстовые задачи.
Что именно выпустили и как это будет доступно
На момент анонса модель уже можно использовать через доступные каналы, а вот полные веса компания обещает опубликовать 27 октября. Это важная деталь для команд, которые не хотят завязываться только на облачный API: «веса позже» означает, что первые эксперименты проще начать в виде пилота через API, а перенос в свою инфраструктуру — планировать отдельным этапом.
Почему MoE здесь не просто маркетинг
У «триллионных» моделей главный практический барьер — вычислительная цена. MoE‑подход частично смягчает проблему: размер всей модели огромный, но в конкретной задаче она использует лишь активный набор параметров. Для пользователей это обычно выражается в двух вещах:
- потенциально более высокая «умность» при сравнимой скорости с меньшими плотными моделями;
- более предсказуемая стоимость в API при регулярной нагрузке, если модель не «тяжелеет» линейно с ростом параметров.
При этом MoE не отменяет требований к инфраструктуре при локальном запуске: под «капотом» остаются большие веса, которые нужно где-то хранить и эффективно обслуживать.
Заявленные сценарии: от кода до техдоков
Mistral позиционирует Le Chonk как модель под прикладные задачи: агентное программирование, кибербезопасность, финансы, инженерные расчёты, а также работу с изображениями и технической документацией. Такой набор выглядит логично для мультимодальной модели: в корпоративных процессах много «смешанных» данных — текст + скриншоты + таблицы + схемы.
Бенчмарки: что показали цифры (и почему к ним стоит относиться осторожно)
По данным Mistral, на DeepSWE v1.1 Large 4 модель набрала 62%. В сравнении, которое приводит компания, это выше результатов GLM‑5.3 (61%), DeepSeek V4 Pro (57%), Qwen 3.8 Max (51%) и Reflection Beam (44%).
Важная оговорка: разработчики подчёркивают, что RL‑этап ещё продолжается, а значит результаты считают предварительными. Кроме того, в публичных лидербордах по похожим задачам встречаются модели, которые показывают около 70% и выше, поэтому «62%» — это скорее ориентир уровня, чем окончательный вердикт.
Также упомянуты показатели на Harvey Legal Agent Benchmark (около 15% успешных задач) и на финансовом бенчмарке Finch (около 67%), плюс результаты по visual grounding. Часть сравнений пока остаётся на уровне данных, опубликованных самой компанией.
Сколько стоит попробовать Le Chonk
Mistral назвала стартовые цены API:
- $1,36 за 1 млн входных токенов;
- $4,18 за 1 млн выходных токенов.
Для первых двух недель действует скидка 50%: $0,68 и $2,09 соответственно. Кэшированный ввод оценён в $0,07 за 1 млн токенов.
Практический вывод для команд разработки
Le Chonk интересна тем, что сочетает «большой масштаб» с MoE‑экономикой и заявкой на рабочие сценарии, где важно одновременно понимать код, контекст проекта и прикладные документы. Если вы выбираете модель для внутренних ассистентов, разумный план выглядит так:
- начать с короткого пилота через API на реальных задачах (ревью, автодокументация, разбор инцидентов);
- посчитать стоимость именно по вашим паттернам запросов (объём входа/выхода, доля кэширования);
- если нужна автономность — дождаться публикации полных весов и оценить требования к инфраструктуре.
Источник: Хабр
