Mistral Large 4 آپریشن میں

Mistral Large 4 فرانس کی Mistral AI کا پیش کردہ فلیگ شپ ماڈل ہے، جسے عرفِ عام میں «Le Chonk موٹی بلی» کہا جاتا ہے۔ Mistral Large 4 باریک سطح کے MoE architecture پر مبنی ہے، اس کے کل پیرامیٹرز 1.05T ہیں، جبکہ ہر بار صرف تقریباً 49B فعال ہوتے ہیں، اور اس میں 1.6B کا وژوئل انکوڈر شامل ہے۔ یہ مقامی طور پر ملٹی موڈل ہے اور اس کا context window 1M ہے۔ Mistral Large 4 پہلے ہی Mistral API پر دستیاب ہے۔ اس نے سافٹ ویئر انجینئرنگ، مالیاتی ورک فلو اور ریموٹ سینسنگ امیج لوکیشن میں نمایاں نتائج دیے ہیں، اور مقامی تعیناتی پر مبنی نیٹ ورک دفاع اور کاروباری خودمختاری کے منظرناموں کو ہدف بناتا ہے۔

مقامی ملٹی موڈل فہم: متن اور تصاویر بیک وقت پڑھ کر متنی جواب دے سکتا ہے، جبکہ context window 1M token تک ہے۔
طویل سلسلے کی سافٹ ویئر انجینئرنگ: DeepSWE v1.1 کے حقیقی انجینئرنگ کاموں میں 62% حاصل کیا، کوڈ لکھنے اور متعدد مراحل پر مشتمل ترقیاتی کام انجام دینے کی صلاحیت رکھتا ہے۔
کاروباری مالیاتی تجزیہ: Finch مالیاتی ورک فلو بینچ مارک میں 67% حاصل کیا، بے ترتیب اسپریڈشیٹس سے اعداد و شمار تلاش کرنے، ماڈل بنانے اور رپورٹس تیار کرنے میں ماہر ہے۔
بصری لوکیشن: ریموٹ سینسنگ فضائی تصاویر جیسی پیچیدہ تصاویر میں اہداف کے گرد باکس بنا سکتا ہے۔ DIOR-RSVG میں 73% حاصل کیا، اور آفات کے نقصانات کا جائزہ لینے و ٹرانسمیشن لائنوں کا معائنہ کرنے کے لیے استعمال ہو سکتا ہے۔
ڈرائنگ سے CAD: تکنیکی ڈرائنگز کو CAD ماڈلز میں تبدیل کر سکتا ہے۔ حکام کے مطابق سیمی کنڈکٹر سے متعلق ٹیسٹوں میں اس کی کارکردگی نمایاں ہے۔
نیٹ ورک دفاع: پیش نظارہ ورژن میں کم پابندیوں اور زیادہ مضبوط سائبر سکیورٹی افعال والا ورژن فراہم کیا گیا ہے، جو کمزوریوں کی اسکیننگ جیسے دفاعی کاموں کے لیے استعمال ہوتا ہے۔
کثیر لسانی اور خودمختار تعیناتی: 160 سے زیادہ زبانوں پر تربیت یافتہ ہے، اور اسے اپنے سرورز یا یورپی یونین کے قوانین کے تحفظ والے علاقوں میں موجود API پر تعینات کیا جا سکتا ہے۔

WeChat پر فالو کریں اور “开源” کا جواب دے کر AI اوپن سورس پروجیکٹس کے گروپ میں شامل ہوں
باریک سطح کا Mixture of Experts (MoE) architecture: ماڈل کے کل پیرامیٹرز 1.05T ہیں، جنہیں بڑی تعداد میں «ماہر» ذیلی نیٹ ورکس میں تقسیم کیا گیا ہے۔ ہر token پر کارروائی کے وقت صرف ایک چھوٹا حصہ فعال ہوتا ہے، جبکہ تصویری input کو سنبھالنے کے لیے 1.6B کا وژوئل انکوڈر بھی شامل ہے۔ اصول یہ ہے کہ sparse activation کے ذریعے بڑے ماڈل کی گنجائش اور چھوٹے ماڈل کی inference لاگت حاصل کی جائے۔ ہر token کی computational لاگت تقریباً 49B کے dense model کے برابر ہے۔
صفر سے تربیت اور اپنی کمپیوٹنگ: ماڈل کو مکمل طور پر صفر سے تربیت دی گئی، اس عمل میں دو ماہ لگے اور تقریباً 4000 NVIDIA Grace Blackwell استعمال کیے گئے۔ تمام تعیناتی Mistral کے اپنے یورپی ڈیٹا سینٹرز میں مکمل ہوئی۔ اس سے تربیتی عمل قابلِ کنٹرول اور ڈیٹا قابلِ سراغ رہا، جس نے اس کے sovereign AI بیانیے کو سہارا دیا۔ صارفین کو ایسا ماڈل مل سکتا ہے جس کی فراہمی غیر ملکی حکومتیں بند نہیں کر سکتیں۔
مسلسل reinforcement learning کے ذریعے post-training: جاری کردہ ورژن پیش نظارہ ہے، اس لیے weights جاری ہونے سے پہلے نتائج میں تبدیلی آ سکتی ہے۔ حکمتِ عملی یہ ہے کہ RL کے ذریعے reasoning، کوڈ اور مالیاتی ورک فلو جیسے کاموں میں ماڈل کی طویل سلسلے کی کارکردگی کو مسلسل بہتر بنایا جائے۔
بصری لوکیشن (Grounding): ملٹی موڈل بنیاد پر ماڈل تصویر میں ہدف کے مخصوص مقام کے coordinates آؤٹ پٹ کر سکتا ہے۔ وژوئل انکوڈر پہلے تصویری خصوصیات نکالتا ہے، پھر انہیں زبان کی ہدایات کے ساتھ cross-modal طور پر ہم آہنگ کیا جاتا ہے، جس سے ریموٹ سینسنگ اور ڈرائنگز جیسے منظرناموں میں pixel-level شناخت ممکن ہوتی ہے۔

اکاؤنٹ بنائیں: Mistral Studio کی آفیشل ویب سائٹ پر جا کر رجسٹر اور لاگ اِن کریں۔
API Key بنائیں: تصدیق شدہ API کالز کے لیے کنسول میں API key تیار کریں۔
ماڈل ID کی تصدیق کریں: ماڈل mistral-large-4 منتخب کریں۔
رابطے کا طریقہ منتخب کریں: براہِ راست APIhttps://api.mistral.ai کو کال کیا جا سکتا ہے۔
درخواست لکھیں: درخواست بھیجتے وقت API Key، ماڈل کا نام اور input شامل کریں۔

Sparse MoE architecture: 1.05T کل پیرامیٹرز میں سے ہر بار صرف 49B فعال ہوتے ہیں، جس سے انتہائی بڑے ماڈل کی گنجائش اور تقریباً چھوٹے ماڈل کی inference لاگت دونوں حاصل ہوتی ہیں۔
حکام کے مطابق یہ یورپ اور امریکہ کا سب سے طاقتور open-weight model ہے، اور 3 بلین یورو کی Series D financing کے بعد پہلا فلیگ شپ بھی ہے۔
خودمختاری اور سکیورٹی پر کنٹرول: پورے یورپ میں اپنے ڈیٹا سینٹرز پر تربیت، weights ڈاؤن لوڈ کر کے مقامی تعیناتی ممکن، اور غیر ملکی حکومتوں کی جانب سے فراہمی بند کیے جانے سے محفوظ۔
مقامی ملٹی موڈل صلاحیت اور بصری لوکیشن میں برتری: 1M context اور تصویر میں شناخت و باکس بنانے کی صلاحیت closed-source جدید ماڈلز سے بہتر ہے۔
پیش نظارہ بینچ مارک میں نمایاں کارکردگی: DeepSWE سافٹ ویئر انجینئرنگ میں 62% اور Finch مالیاتی کاموں میں 67%، دونوں اپنے ہم پلہ ماڈلز سے آگے ہیں۔

طویل سلسلے کی سافٹ ویئر انجینئرنگ: ضروریات کے تجزیے، کوڈنگ اور debugging سمیت مکمل ترقیاتی کام خود انجام دینا۔
کاروباری مالیاتی تجزیہ: بے ترتیب اسپریڈشیٹس اور دستاویزات سے اعداد و شمار تلاش کرنا، ماڈل بنانا اور رپورٹس تیار کرنا، جو reconciliation اور audit کے منظرناموں کے لیے موزوں ہے۔
ریموٹ سینسنگ امیج کا جائزہ: انشورنس کمپنیاں فضائی تصاویر سے طوفانی نقصانات کا اندازہ لگا سکتی ہیں، بجلی کی کمپنیاں ٹرانسمیشن لائنوں کا معائنہ کر سکتی ہیں، اور فارم فصلوں کی نشوونما کی نگرانی کر سکتے ہیں۔
نیٹ ورک دفاع: کمزوریوں کی اسکیننگ اور حملہ و دفاع کی مشقیں؛ weights مقامی طور پر ڈاؤن لوڈ کرنے کے بعد closed-source ماڈلز کے حفاظتی guardrails کی رکاوٹ سے آزاد۔
قانونی اور معاہداتی جائزہ: مکمل قانونی ورک فلو میں معاونت؛ Harvey کی کامیابی کی شرح 15% رہی، فی الحال پورے مقابلے میں کوئی ماڈل پاس نہیں ہوا، اس لیے یہ ابتدائی صلاحیت شمار ہوتی ہے۔