میسترال و عرضه مدل های پیشرفته هوش مصنوعی کوچک و کارآمد برای رقابت با غول ها

استارتاپ میسترال با معرفی خانواده مدل های Mistral 3، شامل مدل پیشرفته Mistral Large 3 و نه مدل هوش مصنوعی کوچک و کارآمد Ministral 3، نشان می دهد که همیشه بزرگ تر بودن به معنای بهتر بودن نیست. این مدل های کوچک تر، با قابلیت کار آفلاین و شخصی سازی بالا، راهکارهای کارآمد و مقرون به صرفه ای را برای موارد استفاده سازمانی و دسترسی گسترده تر به هوش مصنوعی ارائه می دهند.

استارتاپ هوش مصنوعی فرانسوی میسترال، روز سه شنبه از خانواده جدید مدل های با وزن آزاد میسترال 3 (Mistral 3) رونمایی کرد – مجموعه ای شامل 10 مدل که شامل یک مدل پیشرفته بزرگ با قابلیت های چندوجهی و چندزبانه است و نُه مدل کوچک تر که قابلیت کار آفلاین و شخصی سازی کامل را دارند، نمونه ای از هوش مصنوعی کوچک و کارآمد هستند.

در دنیای رو به رشد هوش مصنوعی، مدل های کوچکتر و کارآمدتر نقش مهمی ایفا می کنند. میسترال با مدل های جدید خود این رویکرد را دنبال می کند.

این تصویر به خوبی نشان دهنده چشم انداز میسترال در ارائه مدل های هوش مصنوعی مقیاس پذیر و در دسترس است.

این رونمایی در حالی صورت می گیرد که میسترال، توسعه دهنده مدل های زبانی با وزن آزاد و ربات چت هوش مصنوعی Le Chat با تمرکز بر اروپا، ظاهرا در حال جبران عقب ماندگی از برخی مدل های پیشرفته با کد بسته (closed source) در سیلیکون ولی بوده است. این استارتاپ دو ساله، که توسط محققان سابق DeepMind و Meta تاسیس شده، تاکنون تقریبا 2.7 میلیارد دلار با ارزش گذاری 13.7 میلیارد دلار جذب سرمایه کرده است – که در مقایسه با ارقامی که رقبایی مانند OpenAI (با 57 میلیارد دلار جذب سرمایه و ارزش گذاری 500 میلیارد دلار) و Anthropic (با 45 میلیارد دلار جذب سرمایه و ارزش گذاری 350 میلیارد دلار) به دست می آورند، ناچیز به نظر می رسد.

اما میسترال در تلاش است ثابت کند که همیشه بزرگ تر بودن به معنای بهتر بودن نیست – به خصوص برای موارد استفاده سازمانی، جایی که هوش مصنوعی کوچک و کارآمد می تواند تفاوت ایجاد کند.

گیوم لمپل، هم بنیان گذار و دانشمند ارشد میسترال، به TechCrunch گفت: «مشتریان ما گاهی اوقات خوشحال هستند که با یک مدل بسیار بزرگ [بسته] شروع کنند که نیاز به تنظیم دقیق ندارد… اما وقتی آن را به کار می گیرند، متوجه می شوند که گران و کند است. آن وقت برای تنظیم دقیق مدل های کوچک تر به ما مراجعه می کنند تا مورد استفاده را [کارآمدتر] مدیریت کنند.»

لمپل ادامه داد: «در عمل، اکثریت قریب به اتفاق موارد استفاده سازمانی چیزهایی هستند که می توانند توسط مدل های هوش مصنوعی کوچک و کارآمد مدیریت شوند، به خصوص اگر آنها را به دقت تنظیم کنید.»

لمپل گفت که مقایسه های اولیه معیار، که مدل های کوچک تر میسترال را به مراتب عقب تر از رقبای کد بسته آن قرار می دهد، می تواند گمراه کننده باشد. مدل های بزرگ کد بسته ممکن است در ابتدا عملکرد بهتری داشته باشند، اما دستاوردهای واقعی زمانی حاصل می شوند که شما آنها را شخصی سازی کنید.

او گفت: «در بسیاری از موارد، شما می توانید واقعا عملکرد مدل های کد بسته را برابر یا حتی بهتر کنید.»

مدل پیشرفته بزرگ میسترال، با نام میسترال لارج 3 (Mistral Large 3)، برخی از قابلیت های مهمی را که مدل های هوش مصنوعی بزرگ تر با کد بسته مانند GPT-4o از OpenAI و Gemini 2 از گوگل به آن افتخار می کنند، جبران می کند، در حالی که با چندین رقیب با وزن آزاد نیز رقابت می کند. لارج 3 در میان اولین مدل های پیشرفته آزاد با قابلیت های چندوجهی و چندزبانه، همه در یکجا، قرار دارد و آن را هم تراز با لاما 3 از متا و Qwen3-Omni از علی بابا قرار می دهد. بسیاری از شرکت های دیگر در حال حاضر مدل های زبان بزرگ تاثیرگذار را با مدل های چندوجهی کوچک تر و جداگانه ترکیب می کنند، کاری که میسترال پیش از این با مدل هایی مانند Pixtral و Mistral Small 3.1 انجام داده بود.

لارج 3 همچنین دارای معماری «ترکیب دانه ای متخصصان» (granular Mixture of Experts) با 41 میلیارد پارامتر فعال و 675 میلیارد پارامتر کلی است که امکان استدلال کارآمد را در یک پنجره متنی 256 هزار واحدی فراهم می کند. این طراحی هم سرعت و هم قابلیت را ارائه می دهد، به آن اجازه می دهد اسناد طولانی را پردازش کرده و به عنوان یک دستیار عامل برای کارهای پیچیده سازمانی عمل کند. میسترال، لارج 3 را برای تحلیل اسناد، کدنویسی، تولید محتوا، دستیارهای هوش مصنوعی برای مهاجرت و اتوماسیون گردش کار مناسب می داند.

مینیسترال 3؛ پیشرو در هوش مصنوعی کوچک و کارآمد

با خانواده جدید مدل های کوچک خود، که مینیسترال 3 (Ministral 3) نام گرفته، میسترال ادعای جسورانه ای مطرح می کند که مدل های کوچک تر فقط کافی نیستند – بلکه برترند.

میسترال با معرفی خانواده Ministral 3، اهمیت مدل های هوش مصنوعی کوچک و قدرتمند را بیش از پیش نمایان می سازد.

این گرافیک، گستره و قابلیت های مدل های مینیسترال 3 را به تصویر می کشد که نویدبخش آینده ای روشن برای هوش مصنوعی دسترس پذیر است.

این مجموعه شامل نُه مدل متراکم متمایز و با عملکرد بالا در سه اندازه (14 میلیارد، 8 میلیارد و 3 میلیارد پارامتر) است و سه نوع مختلف: Base (مدل پایه از پیش آموزش دیده)، Instruct (بهینه سازی شده برای چت و گردش کارهای دستیارگونه)، و Reasoning (بهینه سازی شده برای منطق پیچیده و وظایف تحلیلی).

میسترال می گوید این طیف به توسعه دهندگان و کسب وکارها انعطاف پذیری می دهد تا مدل ها را با عملکرد دقیق مورد نیاز خود مطابقت دهند، چه به دنبال عملکرد خام باشند، چه کارایی هزینه یا قابلیت های تخصصی. این شرکت ادعا می کند که مینیسترال 3، نمونه ای از هوش مصنوعی کوچک و کارآمد، امتیازاتی برابر یا بهتر از سایر رهبران مدل های با وزن آزاد کسب می کند، در حالی که کارآمدتر است و توکن های کمتری برای وظایف مشابه تولید می کند. همه انواع از قابلیت بینایی پشتیبانی می کنند، پنجره های متنی 128 هزار تا 256 هزار واحدی را مدیریت می کنند و در زبان های مختلف کار می کنند.

دسترسی گسترده با هوش مصنوعی کوچک و کارآمد

بخش عمده ای از این ارائه بر جنبه عملی بودن متمرکز است. لمپل تاکید می کند که مینیسترال 3 می تواند روی یک GPU واحد اجرا شود، که آن را قابل استقرار بر روی سخت افزار مقرون به صرفه می کند – از سرورهای محلی گرفته تا لپ تاپ ها، ربات ها و سایر دستگاه های لبه ای که ممکن است اتصال محدودی داشته باشند. این موضوع نه تنها برای شرکت هایی که داده ها را داخلی نگه می دارند اهمیت دارد، بلکه برای دانشجویانی که به دنبال بازخورد آفلاین هستند یا تیم های رباتیک که در محیط های دورافتاده فعالیت می کنند نیز مهم است. لمپل استدلال می کند که کارایی بیشتر، مستقیما به دسترسی گسترده تر تبدیل می شود.

او گفت: «بخشی از ماموریت ما این است که مطمئن شویم هوش مصنوعی کوچک و کارآمد برای همه قابل دسترس باشد، به خصوص افرادی که به اینترنت دسترسی ندارند. ما نمی خواهیم هوش مصنوعی تنها توسط چند آزمایشگاه بزرگ کنترل شود.»

برخی دیگر از شرکت ها نیز به دنبال تعادل های مشابه در کارایی هستند: جدیدترین مدل سازمانی Cohere، Command A، نیز تنها روی دو GPU اجرا می شود، و پلتفرم عامل هوش مصنوعی آن، North، می تواند روی فقط یک GPU اجرا شود، نمونه ای از رویکرد هوش مصنوعی کوچک و کارآمد.

این نوع دسترسی، تمرکز رو به رشد میسترال را بر هوش مصنوعی فیزیکی هدایت می کند. اوایل امسال، این شرکت شروع به کار برای ادغام مدل های کوچک تر خود در ربات ها، پهپادها و وسایل نقلیه کرد. این نشان دهنده پتانسیل بالای هوش مصنوعی کوچک و کارآمد در کاربردهای عملی است. میسترال در حال همکاری با آژانس علم و فناوری تیم خانگی سنگاپور (HTX) بر روی مدل های تخصصی برای ربات ها، سیستم های امنیت سایبری و ایمنی آتش نشانی است؛ با استارتاپ فناوری دفاعی آلمانی Helsing بر روی مدل های بینایی-زبانی-عملی برای پهپادها؛ و با خودروساز Stellantis بر روی یک دستیار هوش مصنوعی داخل خودرو.

برای میسترال، قابلیت اطمینان و استقلال به اندازه عملکرد حیاتی هستند.

لمپل گفت: «استفاده از API رقبای ما که هر دو هفته یک بار به مدت نیم ساعت از کار می افتد – اگر شرکت بزرگی باشید، نمی توانید از عهده این کار برآیید.»

در این مطلب به معرفی رویکرد میسترال در توسعه مدل های هوش مصنوعی کوچک و کارآمد پرداختیم. این استارتاپ با ارائه مدل های متنوع و تمرکز بر کارایی، دسترسی و قابلیت شخصی سازی، به دنبال پاسخگویی به نیازهای خاص سازمانی و کاربردهای عملی در حوزه هایی مانند رباتیک و دستیارهای درون خودرو است. تاکید بر استقلال و قابلیت اطمینان، محور اصلی استراتژی میسترال برای آینده هوش مصنوعی است.

Mistral closes in on Big AI rivals with new open-weight frontier and small models