Mistral、Large 4プレビュー版を公開：1兆パラメータで企業の複雑な実務を狙う

Mistralは、フラグシップ大規模モデルMistral Large 4（コードネームML4、チーム内部の愛称は「le Chonk / おデブちゃん」）のパブリックプレビュー版APIを公開しました。公式発表では月内にモデルの重みを公開する計画が示され（現時点で重みは未公開であり、具体的なライセンスの詳細も提供されていません）、欧州の自社データセンター内に3,800基のNVIDIA Grace Blackwell GPUで構築された自前インフラについても紹介されました。

本モデルの総パラメータ数は1.05兆（1.05T）に達し、スパース・Mixture of Expertsアーキテクチャ（MoE）を採用して、各トークンの計算ステップでアクティブになるのは約490億パラメータ（49B）にとどまります。製品の位置づけとしては、指示追従、推論、マルチモーダルAgent機能を単一モデルに統合しています。Mistralは企業における制御可能性を今回の重点とし、サイバーセキュリティの実務、複雑なコードエンジニアリング、長プロセスのAgentツール利用、そして金融・法務の専門ワークフローなど、データや運用ポリシーに厳しい要件が求められるシナリオに焦点を当てています。

アーキテクチャと規模：なぜ「le Chonk（おデブちゃん）」と呼ばれるのか？

モデルカードや公式発表の中で、MistralはML4をユーモラスに「le Chonk」（丸々とした巨大な動物を指すネットスラング）と呼んでいます。スペック面から見ても確かに巨大であり、そのエンジニアリングアーキテクチャのトレードオフは極めて明確です：

• 総パラメータ1.05兆、アクティブパラメータ490億：より粒度の細かいMixture of Expertsアーキテクチャ（Granular MoE）を採用しています。総パラメータとアクティブパラメータの違いは次の通りです。総パラメータはモデル全体の完全な知識ネットワークであり、デプロイするシステムには依然として重み全体を保持する必要があります。一方、アクティブパラメータは、モデルが各ステップで1つのトークンを生成する際に、ゲーティングルーティングによって現在の浮動小数点演算に関与する特定の専門家（Expert）モジュールのみが選出されるものを指します。MoEアーキテクチャにより各トークン計算時の演算パラメータ量は抑えられますが、サーバー側には1.05兆パラメータという膨大な総重みを保持し続ける必要があり、計算パラメータを減らしても総重み自体が小さくなるわけではありません。実際の速度やデプロイコストはハードウェア、精度、サービス構成にも依存します。
• ネイティブビジョンエンコーダと1Mコンテキスト：約16億パラメータ（1.6B）のネイティブビジョンエンコーダを統合し、100万トークンのコンテキストウィンドウ（1M Context）をサポートしています。この2つは互いに独立した仕様です。1Mコンテキストによって長大な文書や多数の会話履歴を収容できますが、超高解像度の衛星画像や複雑な機械図面に直面した場合、モデルは1回の入力だけで微細な細部をすべて自動で見極められるわけではなく、階層をまたいだ照合を行うには依然としてビューポートのズームや部分クロップといった外部ツールとの連携が必要です。
• 多言語対応と欧州での自律運用：トレーニングデータは160以上の言語をカバーし、EUの全公用語を網羅しています。Mistralは金融、製造エンジニアリング、物流、医薬などの分野の企業と提携してML4を訓練し、顧客向けに提供しているものと同じトレーニング・カスタマイズ・強化学習環境（Mistral Forge）を使用しました。これにより、汎用モデルの研究開発と、企業の業務タスクに応じたカスタマイズが結びつけられています。顧客が利用する訓練ツールが、Mistral自らのフラグシップモデルにも使われているわけです。モデルは欧州現地のMistral自社データセンター内にある3,800基のNVIDIA Grace Blackwell GPUでゼロから事前学習され、プレビュー版も同インフラ上で稼働しています。Mistralは欧州の法規管轄下でエンドツーエンドの自律運用を提供し、他社クラウドプロバイダへの依存を回避している点を強調していますが、企業オンプレミスでの独立したローカル運用については今後の重みおよびライセンスの正式公開を待つ必要があります。

---

サイバーセキュリティの実務：正当な脆弱性再現の阻害に、重みの公開はどう応えるか？

サイバーセキュリティの運用現場において、防御チームはしばしば現実的な課題に直面します。システムの脆弱性を修正するには、まず制御された環境でその脆弱性のトリガー条件を再現しなければならないケースが多いためです。しかし、一部の商用クラウド大規模モデルには厳格な汎用安全リスク管理メカニズムが設けられており、エクスプロイトの特徴やペネトレーション指示を含む入力を処理する際、正当な脆弱性再現や緊急対応タスクであっても、プロバイダ側の安全ポリシーによる拒絶（Safety Refusal）がトリガーされて続行できなくなることがあります。Mistralは、インシデント対応の途中でモデルの機能が利用できなくなること自体が、重大なセキュリティリスクになり得ると強調しています。すでにモデルに依存して進めていた調査、再現、修正作業が中断を余儀なくされる可能性があるからです。したがって、自律運用の価値には緊急対応の継続性も含まれます。組織が自社のポリシーに基づいてセキュリティ業務を計画・監査でき、プロバイダの一時的な判断への依存を減らせます。なお、重みの公開と自己ホスト運用は現時点では計画段階であり、現在のパブリックプレビューサービスはMistralによってホストされています。

Mistralが公開した第三者評価機関Artificial AnalysisのCyber Indexテストデータでは、サイバーセキュリティテストにおける各モデルのパフォーマンスが示されています：

• 総合指標（Cyber Index）：複数のセキュリティ評価を取りまとめた総合指標において、元の図ではタスクの成功率とセキュリティ遮断率が並列して提示されています。ML4は50%の成功率を達成しました。これに対し、Qwen3.8 2.4T A95Bは63%のセキュリティ遮断（成功率は13%）、Claude Opus 5.5とGPT-6 Astraもそれぞれ38%のセキュリティ遮断（成功率はそれぞれ29%と33%）が記録されています。したがって、このグラフは課題の解決能力だけでなく、モデルが該当タスクの実行を受け入れるかどうかをも測定しています。
• 現実の脆弱性再現と修正（CyberGym-E2E）：Cyber Indexの個別項目の一つであり、実在のオープンソースソフトウェア内で脆弱性を再現し、修正パッチを生成することがモデルに求められます。ML4はこの項目で82%のスコアを獲得し、MiMo-V2.6-Pro（79%）、GLM-5.3（74%）、Kimi K3（58%）を上回りました。Mistralは、Claude Opus 5.5とGPT-6 Astraがこの項目で再現タスクの実行を直接拒絶したためスコアがほぼゼロになったと指摘しています。拒絶による低スコアと、試行した上で問題を解決できなかったこととは、質の異なる失敗です。
• 40問のCTFセキュリティ競技（Cybench）：40問の競技課題で構成されるCybenchテストにおいて、ML4は93%の課題を解き、公開されているオープンウェイトモデルの中で上位に位置しました。また、公式に公開された社内CTF Speedrunデモでは、19問の社内セキュリティチャレンジ課題が含まれ、ML4はそのうち18問を完答しました（同条件下での比較では、GLM-5.2が16問、Kimi K3が15問、GLM-5.3が14問、DeepSeek V4.1 Flashが14問、DeepSeek V4 Proが10問を完了）。なお、この19問の社内デモは前述の40問のCybenchとは異なるタスクセットです。

リバースエンジニアリングは「ワンクリックの魔法」ではない：56ターンの軌跡対話による実務プロセス

公式に公開された未知の疑わしいバイナリファイル sample.bin を解析するデモにおいて、モデルは56ターンの軌跡対話（Trajectory turnsであり、単なる56回のツール呼び出しではありません）を経て、段階的にトラブルシューティングを進めるプロセスを示しました：

1. 静的特徴の解析：モデルはまずツールを呼び出してファイル形式、インポートテーブル、文字列リストを確認します。
2. 逆コンパイルとペイロードのデコード：続いて不審なコードの逆コンパイルとバイト読み取りを行い、そこから892バイトの暗号化されたペイロード（Payload）を抽出・デコードしました。
3. APIハッシュ逆引きの難航：システムコールの挙動を明確にするためWindows APIハッシュの逆引きを試みましたが、途中で複数回の逆引き失敗に見舞われました。
4. ルール作成と検証への方針転換：ハッシュ逆引きが不調に終わった後、モデルはデコード済みのコードロジックに基づいてYARAシグネチャ検知ルールの記述へと転換しました。このルールはコンパイル後に検体へのマッチングに成功し、提示された683個のクリーンファイルテストセットにおいて誤検知率が0であることを確認しました。
5. 証拠の補完と納品の完了：最終解析レポートを提出する際、バックエンドの検査システムは「結論を裏付けるデータが不足している」としてレポートを3回連続で差し戻しました。モデルはツールから返された主張識別子（Claim IDs）をもとにレポート内の証拠引用を1つずつ修正し、最終的に実証済み結論17件、妥当な推論2件、未確認の結論1件からなる計20件の主張を含むレポートを納品しました。

このように長いプロセスの中でツールを用いた試行錯誤と自己修正を行える能力は、セキュリティAgentが実用化されるための重要な前提条件です。正当なタスクで脆弱性を再現できるからといって、モデルの安全制限が解除されたわけではありません。悪意ある攻撃リクエストに直面した際、モデルは依然として拒絶を実行します。Mistralが公開した悪意あるネットワークリクエストの拒絶評価（JailbreakBench、StrongREJECT、AgentHarmの3つのテストを統合）において、ML4の平均拒絶率は95.3%に達しました。間接プロンプトインジェクション（Indirect Prompt Injection：ウェブページや文書内に隠された指示を含めてAgentをタスクから逸脱させる手法）を防御するLakera B3テストでは、ML4は93.3%の攻撃耐性率を記録し、GLM-5.3と並んで最高となりました。ユーザー対話の責任ある挙動を評価するKORAテストにおいて、ML4のスコアは1.691点（2点満点）でした。なお、公式が言及した「安全フィルタを緩和し、サイバーセキュリティ機能を拡張した」バージョンは、現時点では審査を通過したパートナー、セキュリティ機関、政府系レッドチームによる合同演習向けに限定提供されており、パブリックAPIや将来の通常利用において安全上の制約が一切なくなることを意味するものではありません。

---

コードとAgentの協調：ベンチマークテストにおける実際のパフォーマンス

ソフトウェアエンジニアリングとAgentワークフローに関して、Mistralは複数のベンチマークテストデータを公開しました。コード修正、ターミナル操作、リポジトリQAを取りまとめた総合指標「Coding Agent Index」において、ML4のスコアは49.8%となり、DeepSeek V4 Pro 0813およびQwen3.8 Maxを上回りました。各単体テストの結果は以下の通りです：

各種データを見ると、ML4はコードタスクの種類によって異なるパフォーマンスを示しています。例えば、DeepSWEやコマンドラインテストでは一部のオープンウェイトモデルをリードしているものの、Terminal-BenchではGLM-5.3に後れを取り、コードベースのQAでもDeepSeek V4 ProやQwen3.8 Maxをわずかに下回っています。比較にあたってはテストフレームワーク（Harness）やツールの構成にも留意する必要があります。図中の一部のモデルは異なるコードツールを使用しており、Artificial Analysisの成績の一部はフレームワーク公開前の非公開評価によるものであるため、スコアの差をそのまま本番環境での効果に換算することはできません。

Medium 3.5からML4へ：ワークフロー能力はどれほど向上したか？

競合モデルとの比較に加え、Mistral自社モデルの新旧の変化にも注目すべき点があります。公式チャートでは、Medium 3.5とML4が同一のタスクセットで比較されています：

ワークフローは6.3%から59.9%へと向上し、53.6ポイント増加しました。同じ図の中で、金融Agentのスコアは32.1から54.7へ、会計スプレッドシートは36.7から67.4へ、科学プログラミングの初回通過率は70%から91.8%へ、チャートQAのスコアは55.4から63.1へと推移しています。

タスク	旧モデル	ML4
アプリ横断ワークフロー	6.3%	59.9%
金融Agent	32.1	54.7
会計スプレッドシート	36.7	67.4
科学プログラミング	70%	91.8%
チャートQA	55.4	63.1

旧モデルはMistral Medium 3.5。5項目は順にAutomationBench、Finance Agent V2、FinWorkBench、SciCode-Verified、ChartQA Proに対応。スコアは各ベンチマークの基準に準拠しており、行をまたいで高低を比較することはできません。

このテストセットにおいて、新モデルが完遂できるアプリ横断タスクは明らかに増加しています。金融スプレッドシートや科学プログラミングでも大幅な進歩が見られる一方、チャートQAの伸び幅は比較的小さめです。既存のMistralユーザーにとって、これらの変化は「新モデルへの移行に伴い、どの業務を再テストする価値があるか」という疑問に直截に答えるものです。なお、これらのスコアは前世代モデルがなぜ失敗したのかを個別には明らかにしていませんし、実行速度への換算や、すべてをRLのみに帰属させることもできません。

---

バーティカル領域のシナリオ：法務、財務、そしてマルチモーダル図面

汎用大規模モデルがバーティカルな業務領域に進出する際、中核となるのは厳格な専門プロセスに耐えうるかどうかです。法的責任の画定、財務監査、産業エンジニアリング図面の解析などにおいて、評価は往々にして具体的な業務タスクに即して行われます。

1. 法務と金融の実務：業務タスクに直結した評価

第三者評価機関vals.aiが主導した業界評価では、大まかな一般常識のQAではなく、専門的なワークフローを処理するモデルの能力が検証されています：

• 法務Agent評価（Harvey’s Legal Agent Benchmark）：Mistralが公開した結果において、ML4は15.8点（この項目は絶対スコアであり、パーセンテージではありません）を獲得し、Kimi K3（12.9）、Qwen3.8 Max（10.4）、GLM-5.3（8.3）、GPT-6 Astra（5.4）を上回りました。
• 金融実務とスプレッドシート処理：Finance Agent V2評価において、ML4のスコアは54.7となり、GPT-6 Astra（53.5）を上回ったものの、GLM-5.3（55.9）をわずかに下回りました。また、実際の会計スプレッドシートの作成・編集を扱うFinWorkBenchテストにおいて、ML4は67.4点を記録し、DeepSeek V4 Pro（67.4）と同点、Kimi K3（77.3）を下回りました。これらのスコアは特定のツールオーケストレーションや業務フローにおけるモデルの処理能力を反映していますが、これをもって専門の法務担当者や監査人による人間による審査を代替できるわけではありません。

2. 財務諸表検索デモ：複数年度にまたがる注記情報の照合

公式が公開した複数年度にわたる財務諸表の分析デモでは、次のような具体的なクエリタスクが提示されました：

「メルク（Merck KGaA）がバイオシミラー事業の売却により生じた条件付対価資産について、2022年末と2023年末の帳簿価額はそれぞれいくらか？当時適用された税引後割引率はそれぞれ何％だったか？また、2年間の帳簿価額の前年同期比の変化はいくらか？」

条件付対価資産（事業売却後に、その後の研究開発や商業化のマイルストーンなどの取り決めに従って将来受け取る権利を有する金銭）の会計処理は、通常、財務諸表の注記の奥深くに記載されています。このデモでは、テスト対象となった複数のモデルがいずれも中核となる事実を検索し計算を完遂しましたが、記録された軌跡対話ターン数には差異がありました（ML4は16ターン、GLM-5.3は28ターン、DeepSeek V4は38ターン、MM3.5は42ターン）。これは本デモにおける具体的な検索経路の違いを反映したものであり、一般的な時間、コスト、あるいは精度の優位性へと直ちに推断することはできません。今回のデモにおいて、ML4は2023年度および2024年度の財務諸表注記を照合しました：

• 当該資産がレベル3の公正価値測定（Level 3 Fair Value）に属することを確認；
• 帳簿価額が2022年末の2億1,900万ユーロから2023年末には1億1,800万ユーロへと減少したことを突き止め、前年同期比で1億100万ユーロの減少（変動率は-46.12%）と計算；
• 税引後割引率が2022年末の範囲指定（6.3%–7.3%）から2023年末には単一の6.6%になったことを抽出し、アニュアルレポートの開示に基づき、帳簿価額の減少は主に年度内に買手側から支払われたマイルストーン受領によるものであると指摘。

3. マルチモーダル理解と設計図面デモ

マルチモーダル評価においては、ベンチマークごとに異なる能力の側面が示されています。高密度な対象物の視覚的位置特定評価「Dense 200」では、元の図によるとML4のスコアは42.0%となり、GPT-6 Astraの41.5%をわずかに上回りました（差は0.5ポイント）。チャートQAの「ChartQA Pro」においてML4は63.1%で、GPT-6 Astraの65.1%を下回り、長文ドキュメントのチャートQA「GDP.pdf」テストでは、ML4のスコアは18.6で、Kimi K3の22を下回りました。

公式に公開された機械図面のデモにおいて、モデルは注記の読み取りと補助的な計算のプロセスを示しました：

• 組み立て関係の判別：機械の断面図に対し、「圧縮ばねは滑り軸受と直接接触しているか？」と尋ねられた際、モデルは部品表（BOM）をズームして部品番号を照合し、さらに断面図の引き出し線を特定して、2つの部品の間にバキュームピン（Vacuum pin）が存在することを確認し、「両者は直接接触していない」との結論を導き出しました。
• 公差注記の読み取りと計算：図面中の「Ø25 p6」というはめあい注記を読み取った後、モデルが基準寸法25mmに対応する下の寸法許容差（+0.022mm）と上の寸法許容差（+0.035mm）を読み取り、許容限界寸法を25.022mm〜25.035mmと算出する様子が実演されました（ISO 286は国際規格）。このデモは、画像の部分拡大と寸法計算を組み合わせた補助機能を示していますが、実際のエンジニアリングにおいては、こうした出力に対しても規格に則った厳格な技術的照査が不可欠です。

拡大照合：部品表と断面図

2枚の部分図はいずれも上掲の公式組立図からのものです。モデルはデモにおいて部品表、番号、断面図を対応づけ、ばねと軸受がバキュームピンによって隔てられているとの結論を導き出しました。

4. 産業用映像：答えを具体的な位置に特定し、「存在しない」ことにも回答できる

公式のビジョンデモでは、設計図面にとどまらない位置特定タスクも披露されました。風力発電所で手前の風車のブレードを照会したり、鍛造工場で赤熱した鋼片を照会したりすると、モデルは回転バウンディングボックス（OBB：物体の傾きに沿って回転できる枠）を用いてこれらの傾いた対象をマークしました。また、回路基板の事例では「GND」のシルク印刷文字、赤いコンデンサ、変圧器の位置を特定しました。連続した動画における特定結果はフレームをまたぐトラジェクトリとして整理され、同一対象の位置の変化を追跡できるようになっています。

こうした出力形式によって、「画像の中に何があるか」から「それが画像のどこにあるか」へと踏み込むことができます。分析者はバウンディングボックスと実際の映像を照合することができ、モデルの文章説明だけを頼りに正しい対象を見つけたかどうかを推測する必要がなくなります。

オレンジの選別コンベアのデモは、もうひとつの価値ある結果を示しています。同一の動画に対して「オレンジ」と照会するとバウンディングボックスが返されますが、「リンゴ」と照会すると空の結果が返され、元のログには検出フレームもトラジェクトリも記録されません。モデルは似たような果物の中から無理やり1つを選んでリンゴと決めつけるようなことはしませんでした。対象が存在しない場合に空の結果を維持することは、誤った位置情報を後続のパイプラインに渡してしまう事態の防止に役立ちます。なお、この事例は単一のネガティブサンプルの処理を示したものであり、実際の生産ラインにおける誤検知率を測定したものではありません。

クエリ：オレンジを探す

画面内のオレンジの特定枠を返す

クエリ：リンゴを探す

空の結果を返し、特定枠は表示されない

リンゴ照合時の画面と比較

5. PDF：まず証拠を見つけ、図表と本文を結びつける

エネルギー見通しレポートに関するある設問では、2つの事項が同時に問われました。図表の中で米国の電力販売量の増分に最も寄与しているセクターはどれか？そして本文の中で、テキサス州電力網ERCOTは2年間に太陽光発電量がどれだけ増えるか？公式デモでは、まず12ページのコンテキスト内から証拠を探し出し、次に関連する同一ページ内の図表とテキストの両方を読み取りました。図表からは商業（Commercial）部門の寄与が最大であることがわかり、本文からは2026年に18 BkWh、2027年に20 BkWhが新規追加され、合計38 BkWh（380億キロワット時）となることが示されました。

この問題は、図を見るだけ、あるいは足し算をするだけでは解けません。該当ページの特定、凡例の判別、該当年の数値の抽出を経て、最終的に「18 ＋ 20」が行われます。原油の生産停止に関する別の照会も同様の道筋をたどりました。表の同一行からサウジアラビアの推定停止量3,550千バレル/日と基準生産量10,500千バレル/日を読み取り、3,550 / 10,500 ≈ 33.8% を計算しました。数値は元の表に立ち返って照合可能であり、計算にも明確な分子と分母が存在します。

6. 衛星画像：段階的にズームし、屋上のHマークを見つける

釜山港の事例では、原画像の左下隅にあるヘリポートを探すことが求められます。デモではまず港湾の左下エリアを特定し、続いて端にある建築物群へと絞り込み、最後にタワーの屋上へとズームして、円形エリア内にある「H」のマークを特定しました。人間も同じズームパスをたどることで、見つけ出された対象が合致しているかどうかを再確認できます。

元の画像は6,144 × 4,096で、約2,517万画素です。このデモ画像と、リリース概要で触れられているギガピクセル級の画像処理能力とは異なる次元の資料です。この具体的な例が示しているのは、ツールを活用して探索範囲を絞り込み、詳細を照合していくプロセスです。

これらの公式デモの記録は社内版モデルが使用されており、検証可能な位置と計算プロセスが示されていますが、パブリックAPIプレビューの実際のパフォーマンスについては、自社のタスクにおいて検証する必要があります。

---

科学計算と数学的推論：コード生成と領域別選好

科学計算や数学モデリングを対象としたタスクにおいて、Mistralは科学ワークフローのコード作成および数理的推論におけるモデルの能力を提示しました：

• SciCode-Verified 科学プログラミングベンチマーク：このテストは、物理、数学、材料科学、生物学などの複雑な学術的課題をコード作成によって解くモデルの能力を重点的に検証します。初回通過率（pass@1）において、ML4は91.8%に達しました。同図に示された比較対象モデルでは、Qwen3.8 2.4T A95Bが93.8%、GLM-5.3が92.5%、MiMo-V2.6-Proが91.9%、プロプライエタリモデルのGPT-6 Astraが94.2%でした。実際の事例において、モデルはハートリー・フォック数値シミュレーション（Hartree–Fock：多電子系の電子状態を求める古典的な量子化学数値シミュレーション）のコードを一発で生成する能力を示しましたが、これはコード生成レベルのデモであり、生成されたプログラムは実際の計算や実験データとの照合作業を経る必要があり、得られた科学的結論の検証が不要であることを意味するものではありません。
• 領域専門家による評価選好：Mistralが実施した社内専門家評価では、評価者がML4とGLM-5.3の出力を対照して採点しました。領域別の専門家によるML4への加重選好率は、STEM領域で68%（STEMは科学・技術・工学・数学）、コンピュータ支援設計（CAD）で62%、金融で50%、コードで48%でした。これらの比率は専門家がどちらのモデルの出力をより好んだかを示すものであり、正解率ではありません。
• 数学的形式および応用推論における定性的進化：数理論理の面において、公式の説明ではML4が形式推論と応用数学でより優れたパフォーマンスを達成したことが強調されています。社内の人的評価においてGLM-5.3よりも厳密な構造的推論能力を示し、特定分野を深く掘り下げる長プロセスの応用数学タスク（例えば先端理論物理学に関する計算・導出など）を維持できるとされています。

---

強化学習とトレーニングエンジニアリング：現行3,000基クラスタでの大規模RL

ML4の事前学習は、欧州にあるMistral自社データセンターの3,800基のNVIDIA Grace Blackwell GPU上で実施され、現在のパブリックプレビューサービスも同インフラ上で稼働しています。そして事後学習（Post-training）フェーズにおいて、Mistralは現在約3,000基のGPU規模のクラスタを投入して大規模強化学習（RL）を実施しました。

事後学習フェーズにおける大規模強化学習のメカニズムは、主に以下の側面で構成されています：

• 大規模な試行とトレーニングデータの生成：3,000基のGPUからなる強化学習クラスタにおいて、自動スケーリングする一連のアクターノード（Actors）が数万件の探索軌跡（Rollouts：モデルがタスク環境内で自律的に試行・探索した実際の課題解決プロセス）を並行生成し、モデルパラメータの更新は非同期で行われます。基盤モデルの能力向上に伴い、従来の人手によるアノテーション例だけでは十分な難易度を提供できなくなるため、モデル自身が試行した結果に基づいて強化学習を行わせ、能力向上に合わせてタスクの難易度を段階的に引き上げていく必要があります。このパイプラインでは1日あたり約330億トークンが生成され、フィルタリングとマスキング処理を経て、ポリシー更新に使用可能なモデル生成トークン（Trainable completion tokens）が約160億トークン抽出されます。
• モジュール式で組み合わせ可能な検証環境：多様な現実のタスクに対応するため、訓練環境には統一されたコンポーザブルなインターフェースが用意され、1回の強化学習トレーニング実行でシングルターンの対話、複雑な科学問題の解決、安全アライメント、事実性検証、長プロセスのツール活用など、多岐にわたるタスクタイプを同時にカバーできます。これらの訓練環境はコードサンドボックス、ウェブ検索、外部APIなどの足場を共有しています。検証フィードバックの段階では、タスクタイプに応じて報酬モデル、単体テスト、LLMジャッジ、静的解析がオンデマンドで組み合わされ、モデルの試行の成否を評価してトレーニングシグナルを提供します。
• 長い軌跡におけるポリシーの安定性：多段階のツール呼び出しや長大な対話を含む複雑なタスクでは、非同期学習によって探索軌跡を生成する際に使用されたモデルポリシーが、バックグラウンドで更新中の最新ポリシーから遅れをとることになります（すなわちポリシーの陳腐化とオフポリシードリフト：Staleness & Off-policy drift）。これが長い軌跡の学習の安定性に影響を与えます。Mistralは、陳腐化やドリフトを緩和するための段階をまたぐ最適化手法を採用し、数百万トークンに及ぶ探索バジェット（Rollout budget：訓練フェーズにおいてモデルが複数回の圧縮を経て使用できる探索総予算であり、推論時の1Mコンテキストウィンドウとは異なる概念）をサポートできるようにしたとしています。
• フェーズの進化と評価の区別：Mistralによると、訓練環境内での改善は下流の評価タスクにも転移しており、最終的な能力はSFTとRLの双方のフェーズによってもたらされています。社内における3つの下流タスクの曲線では、複雑なコードAgent指標がSFT終了時の約58.5%からRL終了時には68.84%へ、コードベース理解は約24%から38.66%へ（RL初期には一時約20%まで低下）、専門成果物タスクの指標は約1,380から1,511へと推移しました。図中に具体的なベンチマーク名は記載されておらず、1,511をAA-Briefcaseの1,393 Eloと同一視したり、68.84%をDeepSWEの61.7%と見なしたりすることはできません。

訓練報酬の上昇は、モデルが訓練環境のルールに沿って採点されるタスクをより上手く達成できるようになったことを示し、下流評価の改善は、学習したポリシーが環境外の他の評価タスクにも寄与していることを裏付けます。双方のグラフを併せて参照することで初めて、このトレーニングが訓練課題のスコア稼ぎにとどまらず、環境外の実利をもたらしているかを理解できます。

モデルの試行が、次ラウンドの訓練素材になるメカニズム概念図・訓練アーキテクチャの詳細図ではありません

1. 01複合的なタスク環境対話、コード、科学計算、アプリ横断ワークフロー
2. 02モデルによる実際の試行サンドボックス、検索、APIを呼び出し、実行軌跡を記録
3. 03試行結果の検証タスクに応じたテスト、静的解析、評価モデルの組み合わせ
4. 04結果を用いたモデル更新フィルタリングとマスキングを経て、訓練可能な生成内容を選定

↶ 更新されたモデルが試行を継続。能力向上に伴い、タスクの範囲と難易度を拡大。

試行の生成とモデル訓練は非同期で行われるため、生成に用いるモデルバージョンの遅延制御が必要。

---

コストと実務導入の検討事項：API価格設定と評価基準

実際の呼び出しや導入を検討している開発者や企業顧客にとって、価格体系と導入時の留意点を整理しておく必要があります：

1. API利用料金

公式リリース告知ページに掲載されているパブリックプレビュー版の標準API利用料金は以下の通りです：

• 入力料金：$1.36 / 100万トークン
• 出力料金：$4.18 / 100万トークン

開発者が事前予算を見積もる際は、公表されている標準呼び出し料金を基準とする必要があります。

2. 評価とモデル選定の検討点

• 自社タスクとツールの失敗率に基づく検証：「ドキュメント検索、画像検証、多段階のツール呼び出し」を伴う長プロセスのワークフローにおいて、開発者は自社業務に合わせた検収テストを構築し、呼び出しの失敗やパラメータエラーに直面した際のモデルの自己修正力、および最終成果物の実用性に重点を置いて検証を行うべきです。
• 自己ホスト運用は重みとライセンスの公開待ち：厳格なデータ主権やプライベート運用を必要とする企業に向けて、公式には月末にモデルの重みを公開する計画が示されています。具体的なライセンス条項、ハードウェア要件、リソース構成の仕様は未公表です。モデルの総パラメータ数が1.05兆に達するため、デプロイには膨大な重みを完全に保持する必要があり、現時点で49Bのアクティブパラメータのみから具体的なサーバー仕様やVRAMの基準を推定することはできません。
• 軽量な定常タスクでは無理に大規模モデルを追わない：一般的なテキスト要約、基本的な対話、単一ファイルのコード補完などについては、総パラメータ規模だけでコストパフォーマンスを判断すべきではありません。エンドツーエンドのレイテンシ、複数ターンのツール呼び出しによって生じるトークン総コスト、そして実際の出力品質を総合的に勘案する必要があります。

Mistralは、ML4が新世代の特化型および最適化モデルの基盤になると述べています。現在プレビュー版の背後にある強化学習トレーニングは引き続き進められており、今後のコンピュート拡張は最近調達を完了した30億ユーロのシリーズD資金調達（欧州のテック企業として最大規模のエクイティファイナンスラウンド）を拠り所として、今後は欧州現地の自社データセンターでさらに多くの計算資源が稼働する予定です。月内に重みを公開するという計画に沿って、Mistralは企業顧客に対して明確な方向性を示しています。それは、サイバーセキュリティ、金融、コードといった主要な生産性領域でフロンティア水準のモデル機能を提供するだけでなく、重みの公開と欧州現地での自律運用を通じて、企業がモデルの実行環境と利用ポリシーを自ら掌握する機会を提供するという姿勢です。