Hacker News Digest

Mistral привлекла €3 млрд в серии D — крупнейший в истории Европы раунд финансирования для технологической компании, оценив её в более чем €21 млрд. Инвесторами стали Samsung Electronics, Scaleup Europe Fund (EQT) и PSG Equity, а также новые участники — BlackRock и Великое герцогство Люксембурга. Средства пойдут на расширение фронтовых исследований, вычислительной инфраструктуры и глобального присутствия: компания уже работает в 20 странах и обслуживает более 125 корпораций, включая Airbus, ASML и HSBC.

Mistral позиционирует себя как единственный поставщик «суверенного ИИ» — полного стека с открытыми весами моделей, собственной инфраструктурой и продуктами, позволяющими клиентам сохранять контроль над данными, вычислениями и моделями. Это означает, что организации не привязаны к чужим маршрутам, ценам или ограничениям: данные остаются внутри их систем, модели настраиваются, вычисления приватны, а развертывание аудитабельно. Такой подход отвечает растущему спросу на ИИ без потери суверенитета — особенно в критически важных отраслях. Поддержка от лидеров промышленности, включая ASML и Samsung, подтверждает, что Mistral строит не просто модель, а фундамент для независимого ИИ будущего.

Несмотря на рекордное финансирование, Mistral уступает китайским и американским моделям по производительности, а его успех в Европе основан не на технологическом превосходстве, а на регуляторных и геополитических соображениях. Европейские компании выбирают его не из-за качества, а из-за страха нарушить GDPR — это тактический компромисс, а не устойчивая основа для роста. Mistral не может конкурировать с Anthropic или OpenAI по доходам: его годовой бюджет в 700 млн евро равен трём дням работы Anthropic, что делает разработку новых моделей практически невозможной. Пользователи отмечают, что Mistral Small 4 и Medium 3.5 уступают Gemma 4 и Glimmer 30B по эффективности, скорости и стоимости на токен, особенно в кодировании. Однако его модели надёжно работают в нишевых задачах — RAG, OCR, локальные редакторы VN-историй. Открытые веса — ключевое преимущество Mistral, отличающее его от закрытых моделей OpenAI и Anthropic, и единственный жизнеспособный путь для независимого ИИ в Европе. Споры идут вокруг стратегии: одни видят разумный фокус на суверенной инфраструктуре, другие — «bottom feeder mentality». Предлагается не пытаться догнать фронтальные модели, а фокусироваться на тонкой настройке китайских SOTA-моделей для европейских предприятий — ниши, которую китайские лаборатории не осваивают. Европе следует инвестировать в собственные дата-центры и лаборатории для форка и квантизации, а не полагаться только на собственные, менее конкурентоспособные разработки. Без собственной инфраструктуры даже открытые веса не спасут от зависимости от американской или китайской базы. Несмотря на критику, Mistral — лучшее, что Европа может предложить сейчас: отказ от него означал бы полное технологическое подчинение США или Китаю.

Пользователи Mistral могут отказаться от использования своих входных и выходных данных для обучения моделей, но процесс зависит от используемого сервиса. Через административную панель Admin.mistral.ai можно отключить обучение на данных из Mistral Studio и API, а также для приложения Vibe. Для мобильных версий Vibe на iOS и Android процедура опции отказа также доступна в настройках приложения. Отказ не применяется автоматически — пользователь должен активно его настроить. Дополнительно доступна функция Zero Data Retention (ZDR), которая полностью блокирует хранение данных, включая сессии и историю. Важно: данные по умолчанию могут использоваться для обучения, если пользователь не предпринял шагов для отказа. GDPR-права, включая запросы на удаление или доступ к данным, также можно реализовать через специальные инструменты на сайте поддержки.

Mistral изменил политику: на Team-тарифе опция отключения обучения отключена по умолчанию, несмотря на заявления о прозрачности. Интерфейс и документация противоречат друг другу — пользователи видят opt-in по умолчанию, а администраторы ожидают централизованного контроля. Это делает Team-тариф неприемлемым для корпоративного использования, особенно с GDPR-чувствительными данными. Пользователи (@teekert, @20k, @rectang, @lukeschlather, @tensor) сходятся во мнении, что все крупные LLM-компании собирают данные независимо от настроек, а опция отказа — формальность. Нет гарантий, что политика не изменится после поглощения или нарушений субподрядчиков. Enterprise-тариф по умолчанию отключает обучение, но обычные пользователи такой защиты не имеют (@creativeSlumber). Советы: @segmondy рекомендует локальные модели вместо Mistral; @Diti — Kagi Ultimate, который анонимизирует данные перед передачей в LLM. @TZubiri отмечает, что смена политики без уведомления и права на расторжение может нарушать договор. @LoveMistral предупреждает, что Mistral, вероятно, собирает код и файлы (как GitHub Copilot), что опаснее промптов для интеллектуальной собственности. @danelski и @ylisav добавляют, что аналогичные практики у Claude и Gemini, и пользователи, не проверяющие настройки, уже дали согласие.

Quasar 438B — это флагманская модель Multiverse Computing, первая крупномасштабная ИИ-модель компании, ориентированная на корпоративные агенты и программирование. Она работает на английском и испанском языках и набрала 43 балла в индексе Artificial Analysis Intelligence Index v4.1.1 — лучший результат среди европейских моделей. Индекс объединяет девять тестов, включая GDPval-AA, τ³-Banking, Terminal-Bench, SciCode и другие. Quasar опережает Mistral Medium 3.5 (30 баллов), NVIDIA Nemotron 3 Ultra (38) и Inkling (42), уступая только лидерам вроде Claude Opus 5 (63).

Помимо высокой точности, модель демонстрирует выдающуюся скорость: генерация 500 токенов с учётом времени рассуждения занимает всего 15,3 секунды. Это быстрее, чем у большинства конкурентов — только три модели отвечают быстрее, и лишь одна из них (Gemini 3.7 Flash) превосходит Quasar по интеллекту. По сравнению с Mistral Medium 3.5, Quasar не только точнее (43 против 30), но и быстрее (15,3 с против 18,8 с). В долгосрочном контексте (AA-LCR) модель набрала 75,0 балла — на уровне Grok 4.6 и близко к Claude Opus 5 (75,7), превосходя Nemotron 3 Ultra на 4,0 и Mistral на 9,7 пунктов. На Terminal-Bench v2.1 Quasar набрал 69,3, опережая Mistral на 18,7 и Nemotron на 15,4 балла, что подтверждает её силу в агентном программировании и работе с терминалом. Модель доступна через API CompactifAI без необходимости развёртывания собственной инфраструктуры.

Обсуждение ставит под сомнение оригинальность и превосходство Quasar 438B: ряд комментаторов (walrus01, comandillos, fantyoon, espadrine) считают её дообученной китайской моделью (GLM-5.2, Qwen, Nemotron). scrollaway, ссылаясь на личную встречу с CEO и участие в EIC Accelerator, указывает на реальный продукт и финансирование. Большинство сходится в том, что закрытые веса делают бенчмарки недостоверными, а модель при этом уступает Qwen-3.8-27B почти впятеро меньшей по размеру. Заявления о квантовом сжатии (80–95 % без потери точности) воспринимаются как маркетинговый шум без подтверждений. Часть участников (DeathArrow, torginus) отмечает непрозрачность финансирования и руководства, подозревая использование грантов без достаточной технологической базы. Титул «Europe's Leading AI Model» считается низким порогом — модель уступает более сильным китайским и американским LLM. Рекомендации: открыть веса или предоставить воспроизводимые протоколы бенчмаркинга; интеграция в OpenRouter повысит доступность; модель может найти нишу в европейском суверенитете данных, если будет соответствовать EU-AI-Act и размещаться в ЕС; избегать преувеличенных формулировок и оценивать модели по реальным метрикам, а не по слоганам. Сообщество хочет видеть открытые европейские альтернативы китайским моделям (Mistral, Laguna) и рассматривает проект как потенциального конкурента в этом направлении.

Shieldstral — это открытая 3‑модель‑классификатор, способная оценивать текст и изображения с точностью, сопоставимой с моделями в семь раз крупнее. Она работает как единый «вопрос‑ответ»‑модуль: в запросе задаётся контекст политики, конкретный вопрос («Эта реплика пропагандирует насилие?») и сам материал. На выходе модель выдаёт единственную цифру — вероятность «да», калиброванную в диапазон [0,1]. Такой подход позволяет менять правила в реальном времени, не тренируя модель заново, и использовать один набор весов для всех типов контента.

Ключевые цифры: 3 B параметров, работает на одной видеокарте с 16 ГБ памяти, обучена на смеси реальных и синтетических датасетов, поддерживает как текст, так и изображения, возвращает непрерывный safety‑score. В открытом доступе под лицензией Apache 2.0, а также в составе Open Secure AI Alliance с NVIDIA. Это первый шаг к гибкой, контекстно‑зависимой модерации, где политика задаётся простым языком, а не фиксированным набором категорий.

Shieldstral — специализированная модель для модерации контента, способная оценивать его с учётом политических контекстов. Её потенциал как инструмента для соцсетей обсуждается: некоторые видят в ней эффективный первый уровень фильтрации, но настаивают на необходимости человеческого надзора для сложных случаев. Другие сомневаются в её достаточной мощности, считая, что для точной оценки требуются более крупные модели. Модель интересна разработчикам, ищущим компактные решения для узких задач.

Несмотря на кажущуюся стагнацию, область генерации изображений ИИ активно развивается с появлением моделей вроде FLUX.1-dev, Seedream, Ideogram и Google Imagen 4. Однако ChatGPT с бесплатной генерацией изображений стал новым эталоном после вирусного успеха с промптом "Make me into Studio Ghibli". Его модель gpt-image-1 работает авторегрессивно, генерируя токены как текст, что делает её медленной (30 секунд на изображение), но доступной бесплатно.

В августе 2025 года загадочная модель "nano-banana" появилась на LMArena и позже была выпущена Google как Gemini 2.5 Flash Image. Её популярность вывела приложение Gemini на вершину App Store. Автор подчёркивает выдающуюся точность следования промптам Nano Banana, что делает её особенно ценной для сложных запросов. Пользователи могут генерировать изображения бесплатно через веб-версию Gemini или приложение, а разработчики - использовать API за $0.04 за изображение. Для упрощения работы с API автор создал Python-пакет gemimg.

• Пользователи успешно используют Nano Banana для создания последовательных визуальных историй (сториборды, комиксы) с контролем персонажей, окружения и времени суток через многослойные промпты.
• Модель демонстрирует ограничения: проблемы с точным рендерингом текста, стилизацией (особенно сложных персонажей), непредсказуемыми изменениями деталей при редактировании и путаницей в интерпретации направлений (лево/право).
• Технические решения включают использование Python-библиотек (gemimg), API (Google AI Studio), маскирование для удаления водяных знаков и интеграцию с LLM (Mistral) для генерации вариаций промптов.
• Обсуждаются сложности достижения точных результатов (например, стиль-трансфер, удаление отражений) и необходимость тщательного промпт-инжиниринга для контроля вывода.

Исследования в области поведенческих наук часто страдают от системной ошибки: они опираются на данные, собранные в западных, образованных, индустриальных, богатых и демократических обществах (WEIRD), а затем применяют выводы ко всему человечеству. Это приводит к искажённым результатам, поскольку такие популяции составляют лишь малую часть мирового населения и могут демонстрировать нетипичные психологические и социальные паттерны.

Например, многие классические теории о принятии решений или морали основаны на экспериментах с студентами американских университетов, чьи реакции часто не совпадают с поведением людей из других культур. Это ограничивает применимость исследований в глобальном масштабе и подрывает их ценность для бизнеса или политики, ориентированных на разнообразные аудитории.

Осознание этой проблемы — первый шаг к более инклюзивной и точной науке.

• Обсуждается культурная предвзятость ИИ (особенно ChatGPT), который демонстрирует сильное смещение в сторону западных, особенно американских, ценностей из-за преобладания англоязычных данных в обучении.
• Участники отмечают, что исходные данные для обучения ИИ (например, с Reddit) перекошены в сторону взглядов западной, образованной, индустриализированной, богатой и демократической (WEIRD) аудитории, что ограничивает способность ИИ отражать глобальное разнообразие.
• Поднимается вопрос, могут ли ИИ, обученные на других языках или данных (например, DeepSeek, Mistral), или использование специальных промптов снизить этот эффект и лучше отражать другие культуры.
• Критикуется методология исследования, лежащего в основе статьи, за отсутствие деталей и возможную нерепрезентативность, а также обоснованность некоторых антропологических claims в рекомендованной книге.
• Обсуждается, является ли проблема inherent ограничением архитектуры ИИ или же её можно смягчить за счёт более разнообразных данных и специализированного обучения для разных культурных контекстов.

ASML и Mistral AI заключили стратегическое партнёрство
ASML, мировой лидер в области литографического оборудования, и Mistral AI, европейская компания по разработке ИИ, объединят усилия для ускорения инноваций в производстве полупроводников. Сотрудничество сфокусировано на применении ИИ к оптимизации сложных процессов микролитографии и повышению точности систем ASML.

• ASML вложил 1,3 млрд € в раунд Mistral на 1,7 млрд €; для компании с выручкой 28 млрд € это крупная, но не критичная ставка.
• Большинство участников не видит технологического синерджиза: ASML делает фотолитографию, Mistral — LLM, и заказчики ASML уже покупают всё, что можно произвести.
• Инвестицию чаще объясняют политикой: ЕС хочет «своего» игрока в ИИ, а ASML — европейского союзника и лояльность Франции.
• Сомнения в Mistral: отстают по моделям, нет уникального преимущества, бывшие сотрудники говорят о слабом внедрении ИИ внутри самой ASML.
• Оптимисты надеются, что деньги и господдержка помогут Mistral повторить прорыв вроде DeepSeek, но рынок считает раунд «европейским GoFundMe» на фоне десятков миллиардов у US/China-игроков.