Hacker News Digest

Mistral выпустила публичную превью-версию Mistral Large 4 — модели на 1 триллион параметров с нативной мультимодальностью и 52 миллиардами активных параметров. Это крупнейшая и самая мощная модель компании, которая, по её заявлению, превосходит все открытые модели, созданные в США и Европе, а в визуальной привязке (visual grounding) обходит даже закрытые фронтирные модели. Веса обещают выложить в конце месяца; до тех пор модель тестируют в реальных условиях совместно с экспертами по кибербезопасности и госорганами, давая им доступ с ослабленной модерацией и расширенными кибер-возможностями.

Модель обучена с нуля на 3800 графических процессорах NVIDIA Grace Blackwell в собственных дата-центрах Mistral в Европе, и превью работает на той же инфраструктуре. В обучении участвовали данные более чем на 160 языках, включая все официальные языки Евросоюза. В кибербезопасности ML4 входит в топ-5 мировых моделей по индексу Artificial Analysis Cyber Index и с большим отрывом лидирует среди открытых моделей, созданных вне Китая. Открытые веса и возможность развёртывания у себя компания подаёт как инструмент цифрового суверенитета: отказ провайдера может заблокировать легитимное исследование уязвимостей или реагирование на инцидент.

Обучение с подкреплением ещё продолжается и не показывает признаков насыщения: при текущем масштабе в 3000 GPU один прогон даёт около 33 млрд токенов в день, из которых примерно 16 млрд пригодны для обучения. ML4 — первый этап плана, финансируемого раундом Series D на 3 млрд евро, крупнейшим в истории европейских технологических компаний; модель станет базой для нового поколения специализированных моделей Mistral.

Тред добавляет к заявлению компании реальные пользовательские наблюдения: модель часто выводит случайные китайские символы, её стоимость в 10 раз выше аналогов, но привлекателен из‐за соответствия GDPR; эффективность в реальных бенчмарках пока неоднозначна, а окончательная оценка возможна только после публикации весов.

• Многие пользователи отмечают, что Mistral Large 4 иногда генерирует случайные китайские (и корейские) символы в ответах, что наблюдается как в «thinking», так и в финальном выводе.

• Спор: Одни считают, что появление китайских символов связано с дистилляцией моделей Deepseek, сравнивая процесс с «VHS‐кассетой», в то время как другие объясняют это багом в логировании или потерями при квантизации.

• Главным преимуществом Mistral Large 4 считается соответствие европейским требованиям GDPR, что делает её привлекательной для компаний, обязанных использовать модели, размещённые в ЕС.

• Стоимость модели примерно в 10 раз выше, чем у Deepseek 4.1 Flash, при этом визуальная мультимодальная часть считается лучше, а кодинг — хуже, согласно сравнениям на OpenRouter.

• Пользователи отмечают высокую скорость работы Mistral Large 4, однако на специфических бенчмарках, например adversarial programming language benchmark, её результаты сопоставимы с более дешёвыми моделями вроде Kimi K3.

• Выбор в пользу Mistral Large 4 иногда мотивирован патриотизмом или желанием поддержать европейские проекты, несмотря на более высокую цену.

• Пока веса модели недоступны, а текущая версия — лишь превью; окончательная оценка её возможностей будет возможна только после финального релиза.

• Совет: Для оценки реальной производительности стоит посмотреть уже опубликованные результаты benchmark'а Pelican, а не ждать новых публикаций.

• Некоторые пользователи считают, что домашняя модель Qwen‐3.8‐flash‐next может конкурировать с Mistral Large 4 по качеству при значительно более низкой стоимости.

• Отмечается, что дата‐центр, использованный для обучения Mistral Large 4, позволяет достичь «sub‐SOTA» при одной десятой ресурсов по сравнению с лидерами отрасли.

The weird thing about this model is that it spits out Chinese characters just like the chinese models when chatting with it in German. Happened to me quite often during the past few days. — @nik736

Перевод: Странно, но эта модель иногда выводит китайские символы, как китайские модели, когда с ней разговаривают на немецком. Такое происходило со мной довольно часто за последние несколько дней.

ЦЕРН и французская компания Mistral подписали заявление о намерениях создать долгосрочное стратегическое партнёрство для разработки фундаментальных моделей в интересах научных открытий. Объединяются экспертиза ЦЕРН в фундаментальной физике, научных данных и крупномасштабных вычислениях с опытом Mistral в обучении больших моделей. На первом этапе фокус сделан на физике высоких энергий, но подходы в перспективе могут служить всему научному сообществу.

Ключевая цель — создать единую предобученную «Большую физическую модель», первую фундаментальную модель для физики коллайдеров. Её обучат на миллиардах смоделированных протон-протонных столкновений Большого адронного коллайдера. Модель должна поддерживать множество задач: от реконструкции столкновений и идентификации частиц до выявления неожиданных сигналов и оценки будущих конструкций детекторов. Сейчас реконструкция опирается на цепочку специализированных алгоритмов; фундаментальные модели способны учиться на всей цепочке сразу.

ЦЕРН хранит около одного эксабайта (миллиона терабайт) экспериментальных данных БАК, а с запуском HL-LHC около 2030 года число столкновений вырастет десятикратно. «Физика высоких энергий даёт уникальную среду, где ИИ можно развивать и проверять с исключительной строгостью», — отметила директор по информационным технологиям ЦЕРН Энрика Поркари.

Обсуждение новости сопровождается скепсисом относительно вклада LLM в науку. @zetazzed сомневается в их эффективности, тогда как @criemen и @ruaraidh указывают на успехи в математике и теоретическом Computer Science. Участники отмечают, что AI ошибочно ассоциируют только с LLM, хотя ML давно применяется в физике и поиске антибиотиков. По словам @timbaboon, в CERN долго доминировали boosted decision trees, но @blueplanet200 напоминает, что нейросети для разделения сигнала и фона использовались еще в 2012 году при открытии бозона Хиггса. Также @spwa4 упоминает программу Schoonschip (1971), помогшую доказать ренормируемость калибровочных теорий Янга-Миллса. @sureMan6 отмечает пользу AI в аудите: агенты нашли ошибки в 15% проверенных статей. @mahnen подчеркивает ценность инфраструктуры CERN: огромные вычислительные мощности, энергозатраты в несколько гигаватт и сильные дата-интерконнекты. Относительно выбора европейского провайдера мнения разделились: @AndrewKemendo приветствует это решение, а @parineum считает, что выбор Mistral продиктован политикой, а не эффективностью, так как продукт отстает от конкурентов.

Mistral представила Voxtral 3 — семейство моделей распознавания и синтеза речи вместе с SDK для голосовых агентов. Главная идея: свести в один потоковый конвейер четыре задачи, которые обычно решаются по отдельности, — точное слушание, глубокое рассуждение, естественную речь и выполнение действий через подключённые системы. Конвейер построен на LiveKit, и ни одна стадия не ждёт завершения предыдущей, поэтому каждый ход укладывается в секунду, а агент замолкает, когда собеседник перебивает.

Ключевые детали: модель Voxtral Small Transcribe 3 распознаёт более 50 языков, определяет, кто говорит (диаризация), использует ключевые фразы для повышения точности и детектирует конец реплики. Voxtral Mini TTS 3 поддерживает 35+ языков и 50+ диалектов, меняя эмоцию, темп и акценты по ходу разговора. Для профессиональных сценариев адаптация Pro Voice воспроизводит характер, эмоциональный диапазон и стиль говорящего всего по 30 минутам аудио. Агент умеет проверять личность, счета и бронировать встречи через вызов функций, веб-поиск и поиск по собственным системам, работает по SIP, WebRTC и подключается к телефонии и контакт-центрам.

Доступен через API Mistral с европейскими, американскими и глобальными эндпоинтами либо для развёртывания на своей инфраструктуре — с контролем над тем, где обрабатывается аудио и сохраняется ли оно. Цены: транскрипция от $0,0035/мин, синтез $13 за 1 млн символов, голосовой агент с Mistral Small 4 — $0,04/мин.

Обсуждение критикует закрытость Voxtral 3, что препятствует локальному развертыванию и суверенитету данных; пользователи требуют открытого кода. @Const-me подтвердил возможность локального деплоя: Voxtral Mini 4B Realtime работает на ноутбуке с Ryzen 5 5600U и 4 ГБ VRAM. Качество TTS/STT оценивают как недостаточное для реального времени. @zuInnp отметил появление французского акцента после чтения соответствующего текста. @mongrelion раскритиковал непоследовательное именование моделей (Mini Transcribe 3, Small Transcribe 3 и т.д.). Спор о влиянии технологии: @howunfortunate считает, что она сохранит рабочие места в колл-центрах, а @londons_explore опасается роста мошенничества и обмана AI-агентов. Рекомендации и запросы: — @sarkarghya советует использовать нативный biasing в ASR-моделях и самохостинг для кастомных решений. — @ilaksh уточнил возможность использования специального токена для вызова помощи в Voxtral Large, отметив отсутствие открытого кода. — @yipinwong предложил сравнить Voxtral 3 с Gemini Live. — @TuringNYC, недовольный транскрипциями в Microsoft Teams и 8x8, предложил создать плагины для перенаправления потоков в более качественные модели вроде Voxtral.

Mistral выпустила Timestral — первое семейство фундаментальных моделей для временных рядов. Крупнейшая версия всего на 209 млн параметров занимает первое место на трёх главных публичных бенчмарках — GIFT-Eval, TIME и fev-bench, — обходя предыдущее состояние искусства при двух третях его размера. Модель даёт вероятностные многомерные прогнозы и поддерживает как прошлые, так и известные будущие ковариаты. Семейство включает четыре размера — 5M, 28M, 123M и 209M параметров, — и каждая версия лежит на границе Парето по точности и размеру.

В основе — синтетическое предобучение, внимание с учётом ковариат и обучение на длинном контексте в 32 768 шагов; целевая функция — pinball loss по 21 квантилю, дискретная аппроксимация CRPS. Модель работает без GPU: на серверном CPU с восемью потоками прогноз на день вперёд по трёхнедельной истории с 15-минутным шагом занимает 10 мс с версией 5M. Версия на 28M обходит Chronos-2, примерно вчетверо большую, а 209M — TimesFM-3 и Falcon-2.0 при меньшем числе параметров. Дообучение под домен доступно через Mistral Forge с развёртыванием на оборудовании клиента вплоть до изолированных сред; код открыт на GitHub под модифицированной лицензией MIT.

Обсуждение добавляет практические нюансы к достижениям Timestral: подчеркивается необходимость известных будущих ковариат, ограниченная применимость без внешних данных, проблемы масштабирования при тысячах рядов, противоречивые оценки производительности по сравнению с XGBoost, опасения по лицензии и зависимости от сервера, а также предложения по оценке моделей и стратегический европейский контекст. Для качественного прогноза важны известные будущие ковариаты (расписание, погода) – без них модели дают плохие результаты. Во многих практических задачах (например, масштабирование балансировщика) небольшая погрешность приемлема, и традиционные методы могут заменить фундаментальную модель. При десятках тысяч временных рядов обучение отдельного XGBoost‐моделя непрактично; единая TSFM экономит время и может лучше обобщать. Спор: Опыт некоторых инженеров (400 k моделей каждые 30 минут) показывает, что XGBoost остаётся быстрее и точнее, чем Timestral. Совет: Генеративные модели вроде Timestral можно использовать для синтеза шумных данных, повышая устойчивость downstream‐моделей. В некоторых областях (биология, предсказание отказов двигателей) внешних ковариат нет, и модель должна работать только на сенсорных данных. Ограничительная лицензия Timestral вызывает опасения у пользователей, желающих открытый доступ к весам. Совет: Для объективного сравнения моделей следует использовать данные с высоким соотношением сигнал/шум; иначе различия между моделями незаметны. Трансформеры уже давно подходят для временных рядов; текущие разработки продолжают работу, начатую Spacetimeformer. Спор: Некоторые считают, что реальная применимость Timestral ограничена и в блоге использован вымышленный клиент, а практических кейсов мало. Совет: Зависимость от онлайн‐сервера Timestral опасна для критических сценариев (например, прогнозы энергосистем), поэтому рекомендуется локальный запуск. Для европейских компаний Timestral рассматривается как шаг к технологическому суверенитету в области ИИ.

Mistral Large 4, неофициально «le Chonk», — это публичный превью модели с 1 трлн параметров и 49 млрд активных, обученной на 3800 GPU Grace Blackwell в собственных датацентрах Mistral в Европе. Она демонстрирует передовые результаты в программировании, мультимодальном понимании и особенно в кибербезопасности, где занимает топ-пять глобально по Artificial Analysis Cyber Index и опережает все открытые модели из США и Европы. В задачах визуального заземления она даже превосходит некоторые закрытые frontier-модели.

Модель обучена на мультиязычных данных более чем на 160 языках, включая все официальные языки ЕС, и будет доступна для самостоятельного развертывания с открытыми весами к концу месяца. Это обеспечивает суверенитет ИИ и автономию в критических отраслях — финансах, праве, логистике и др. — где провайдерские ограничения могут блокировать легитимные исследования уязвимостей. Обучение велось в среде Mistral Forge, с использованием SFT и RL, генерируя ~33 млрд токенов в день (~16 млрд обучаемых). Веса будут опубликованы к концу месяца, а модель станет базой для новой линейки специализированных версий под конкретные отраслевые нагрузки.

Сообщество положительно воспринимает открытый, европейский характер модели Mistral и её игривый брендинг («Le Chonk»), который привлекает больше, чем серьёзный стиль Anthropic, и влияет на готовность платить. Однако отмечается отставание от закрытых и китайских открытых моделей по качеству и масштабам. Пользователи ценят открытые веса, размещение в Европе и позиционирование как конкурента GLM‐5.3 в кибербезопасности, а также соответствие регуляциям ЕС и поддержку локального бизнеса. Стоимость и эффективность Mistral воспринимаются как преимущество по сравнению с K3 и Deepseek. Сообщество требует большего вычислительного ресурса для дальнейшего улучшения, прозрачности данных обучения и отказа от нелегального контента. Есть споры о возможной дистилляции от других моделей, но ответов пока нет.

Mistral Large 4 — это открытая мультимодальная модель с архитектурой Mixture-of-Experts, содержащая 49 миллиардов активных параметров и 1,05 триллиона общих параметров, дополненная 1,6-миллиардным визуальным энкодером. Она поддерживает контекст до 1 миллиона токенов и доступна в публичном превью с 6 октября 2026 года. Модель оптимизирована для высокой производительности и скорости, предлагая структурированные выходы, вызов функций, обработку документов и работу с агентами через API.

Стоимость использования составляет $0,07 за миллион входных токенов (кешированные — $0,07), $2,09 за миллион выходных токенов и $0,68 за миллион токенов в режиме приоритета. Доступны инструменты для батч-обработки, чат-комплектации и интеграции с агентами. Mistral Large 4 позиционируется как универсальное решение для сложных задач, требующих понимания текста и изображений при большом контексте и низкой латентности.

Mistral Large 4 — стратегический шаг к европейской AI-суверенности. Её производительность в кибербезопасности (82% на CyberGym-E2E) превосходит GLM-5.3 и закрытые модели, а визуальное понимание (42% на Dense 200) сопоставимо с GPT-6 Astra. Точность в аналитических задачах выросла с 58% до 74%, цена на 10x ниже Mistral Medium 3.5. Модель дешевле Kimi K3 и GLM-5.3, но дороже их быстрых версий (например, GLM-5.3-flash), и для оправдания цены должна быть значительно лучше — чего пока не наблюдается. Она уступает GPT-6 Luna по скорости, лаконичности и общей производительности, несмотря на более высокую цену. Обучение на 3800 GPU в Европе показывает, что небольшие кластеры могут конкурировать с моделями, обученными на сотнях тысяч GPU. Mistral Large 4 лучше справляется с французским языком, чем GLM-5.3, что важно для европейских пользователей, соблюдающих GDPR или избегающих китайских поставщиков. Пользователи рекомендуют тестировать через Hermes и Plotly-бенчмарки: реальная эффективность в аналитике и программировании превосходит ожидания, несмотря на низкие общие рейтинги. Есть слабости в вызове инструментов (например, не работает с jq после JSON), что ограничивает применение в сложных workflow. Открытый доступ вызывает опасения роста рисков кибератак. Модель не достигла Pareto-оптимальности, но быстро приближается к ней; RL-финальная версия до конца месяца может изменить баланс. По сравнению с DeepSeek 4.1 Flash — дороже и медленнее, но с лучшей поддержкой европейских языков и этических стандартов. Несмотря на 1,05 трлн параметров, активных всего 49 млрд благодаря Mixture-of-Experts, что делает инференс экономичным. Mistral Large 4 — первая открытая модель с европейским размещением, достаточной производительностью для ежедневного использования и символом альтернативы доминирующим игрокам.

Mozilla и Mistral объявили о партнёрстве, направленном на внедрение открытого, приватного и многоязычного ИИ в браузер Firefox. Модели Mistral теперь обеспечивают работу функции Firefox Smart Window (в бета-версии) — ИИ-ассистента, который помогает пользователям осмысливать сложные запросы, возвращаться к ранее просмотренному контенту и извлекать релевантную информацию из открытых вкладок. Smart Window доступен пользователям во Франции и Северной Америке, с планами расширения на Великобританию и Германию позже в этом году.

Сотрудничество основано на общих ценностях открытости, конфиденциальности и пользовательского контроля. Модели Mistral дообучаются на региональных языках и диалектах, чтобы ИИ лучше понимал местные нюансы и культурный контекст. По умолчанию диалоги в Smart Window не сохраняются на серверах Mozilla, а партнёры, включая Mistral, обязуются к нулевому хранению данных. Партнёрство позиционируется как шаг к суверенному ИИ — технологиям, доступным не только корпорациям, но и конечным пользователям через открытую и конкурентную экосистему браузера как центрального узла веба.

Спор о приватности Smart Window: отправка полного контекста браузера в облако (включая историю и вкладки) противоречит обещаниям приватности, так как данные передаются в читаемом виде третьим сторонам (Mistral). Хотя некоторые считают Mozilla более надёжным хранителем данных, чем крупные AI‐компании, другие отмечают, что она не может гарантировать защиту от уязвимостей или принудительных запросов властей. Локальные модели пока слишком ресурсоёмки для большинства пользователей: на обычных ноутбуках и слабых устройствах их запуск непрактичен из-за высоких требований к ОЗУ и процессору. Критика маркетинга: в описании ошибочно указана модель OpenAI вместо Mistral Small 4; политика конфиденциальности неясно описывает, какие данные отправляются в облако. Предложения: - Пользователям — отключать Smart Window и использовать BYOM (Bring Your Own Model) для контроля над местом инференции. - Разработчикам — чётко указывать, какие данные остаются на устройстве, а какие отправляются наружу, и предоставить детальные настройки приватности. - Для доверия — публиковать технические детали облачной инференции и проводить независимые аудиты безопасности. Аналогичная функция есть в Chrome (Gemini Nano), что подтверждает тренд интеграции ИИ в браузеры, но вопросы приватности остаются unresolved.

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.