- Bezprawnik -
- Technologie -
- Europa wraca do wyścigu AI. Francja przywraca nadzieje na technologiczną suwerenność
Europa wraca do wyścigu AI. Francja przywraca nadzieje na technologiczną suwerenność
O europejskiej suwerenności technologicznej słyszymy regularnie. Gorzej z produktami, które rzeczywiście pozwalałyby ją budować. Francuski Mistral zaprezentował Mistral Large 4 – model mający rywalizować z najlepszymi otwartymi rozwiązaniami z Chin. To zdecydowanie nie jest rywal dla rozwiązań OpenAI czy Anthropic, ale w sumie nikt nie powiedział, że Europa musi mieć taką samą strategię jak Amerykanie.
Mistral Large 4 – Francuzi mają czym walczyć z chińskimi modelami
Według Mistrala to najlepszy model z otwartymi wagami opracowany w USA lub Europie, konkurencyjny wobec chińskiej czołówki, do której należy m.in. DeepSeek, chiński konkurent ChatGPT. W opublikowanym zestawieniu testów programistycznych wyprzedza DeepSeek V4 Pro 0813 i Qwen3.8 Max.
Benchmarki producenta to jeszcze nie werdykt
To oczywiście wyniki przedstawione przez producenta, więc z ostatecznym werdyktem poczekałbym na szersze testy. Nie ma też podstaw, żeby ogłaszać przewagę nad GPT czy Claude. Na przykład w rozpoznawaniu położenia obiektów na obrazach Large 4 uzyskał 42 proc., a GPT-6 Astra 41 proc.
Jeden punkt procentowy, i to w jednym z wielu przykładów, to tyle co nic. To zresztą tylko benchmark – reszta wyjdzie w praniu, przy codziennym korzystaniu.
Mistral Large 4 lokalnie? Tak, ale nie na naszym laptopie
Large 4 ma 1,05 biliona parametrów, z których przy przetwarzaniu tokenu aktywnych jest 49 miliardów. Wykorzystuje architekturę Mixture-of-Experts, czyli dobiera do zadania odpowiednie części modelu. Okno kontekstowe jest dość standardowe – jak w wielu innych modelach na rynku, wynosi milion tokenów.
Brzmi nieźle – ładne, duże liczby. To jak z tym uruchamianiem lokalnie, skoro to miał być open weight, czyli w teorii własne AI na własnym sprzęcie? Hm, no właśnie, tutaj zaczynają się trochę schody. Przy zapisie 16-bitowym same wagi zajmowałyby około 2,1 TB. Nie, to nie błąd. Do tego dochodzą pamięć robocza i obsługa kontekstu.
Dla skali: 16 kart Nvidia H200 ma łącznie ok. 2,26 TB pamięci. Oczywiście pomóc mogłaby tutaj kwantyzacja, czyli swego rodzaju kompresja modelu – zapis wag z mniejszą precyzją, dzięki czemu zajmują one mniej pamięci. Na sprawdzone konfiguracje trzeba jeszcze poczekać. Czy to wymagania, które spełnia wasz sprzęt w domu? Odpowiedzcie sobie sami – zwłaszcza że taniego RAM-u nie będzie.
Suwerenność technologiczna to również własna infrastruktura
Mistral podaje, że wytrenował model od podstaw na 3800 GPU Nvidia Grace Blackwell we własnych europejskich centrach danych. Dane obejmowały ponad 160 języków, w tym wszystkie urzędowe języki UE. Dla porównania: wydany miesiąc temu flagowy model OpenAI, GPT-6 Astra, był trenowany na… ponad 100 tysiącach kart. O podobną infrastrukturę zabiega zresztą Polska – rząd chce, by u nas powstała unijna gigafabryka AI.
Własne centra danych, ale sam sprzęt jednak amerykański. W sumie trudno, żeby w tym przypadku było jakkolwiek inaczej – nawet Chińczycy chętnie korzystają z amerykańskich kart do trenowania swoich modeli. Zależności bywają zresztą zaskakujące: jeszcze niedawno europejska alternatywa dla ChatGPT promowała u siebie chińską technologię, i to w wersji domyślnej.
Ceny API Mistral Large 4 i termin udostępnienia wag
Dziś dostępne jest tylko API w wersji preview, a publiczne udostępnienie wag zapowiedziano do końca października. Aktualna dokumentacja podaje 0,68 dolara za milion tokenów wejściowych i 2,09 dolara za milion wyjściowych, czyli odpowiednio około 36 proc. i 39 proc. więcej niż za Large 3.
Cenowo rewelacji nie ma – i to trzeba wprost przyznać. Ale sam kierunek oczywiście ma sens. Francuzi rozwijają model, utrzymują infrastrukturę i zapowiadają oddanie klientom możliwości samodzielnego wdrożenia.
Dla kogo jest Mistral Large 4? Szansa dla europejskich firm
I właśnie tutaj widzę ciekawą ofertę dla europejskich firm, którą Mistral zresztą już rozwija – możliwość dostosowywania modeli do własnych danych i konkretnych zadań. Bank niekoniecznie potrzebuje AI, która równie dobrze napisze wiersz, rozpozna gatunek ptaka i zaprogramuje grę.
W takim wypadku potrzebne będzie raczej narzędzie analizujące dokumenty bez wysyłania poufnych danych poza infrastrukturę, którą bank sam kontroluje. Mniejszy, wyspecjalizowany model może być tańszy w utrzymaniu i łatwiejszy do uruchomienia na własnym sprzęcie.
Large 4 sam jest co prawda bardzo duży, ale Mistral zapowiada wykorzystanie go jako podstawy kolejnych wyspecjalizowanych i zoptymalizowanych modeli. I to ma sens. Skoro europejskie firmy nie dysponują budżetami amerykańskich gigantów, nie muszą kopiować każdego ich ruchu. Mogą zarabiać na rozwiązywaniu konkretnych problemów przedsiębiorstw, zamiast za wszelką cenę walczyć o tytuł najlepszego modelu do wszystkiego.
