// ai/mi · 2026.10.04 Kolibri 78.1B: megjelent az Aleph Alpha nyílt súlyú MoE modellje Kiadta legújabb, kétnyelvű nagy nyelvi modelljét a heidelbergi központú Aleph Alpha: a Kolibri névre keresztelt architektúra 78,1 milliárd összetett paraméterrel rendelkezik, a ritka szakértői felépítésnek… olvasás →

A párizsi Mistral AI közzétette a Mistral Large 4 nevű, belsős körökben „Le Chonk” becenévvel illetett neurális hálójának előzetesét, amely 1 billió (1T) paraméteres skálájával az eddigi legnagyobb Európában létrehozott nyílt súlyú AI-modell. A rendszer stabil, végleges változata 2026 októberének végén jelenik meg, az előzetes kiadás pedig már elérhető fejlesztői környezetekben és API-n keresztül. Az új architektúra a közzétett részletes technikai beszámoló szerint kiemelten a programkód-generálásra, a kiberbiztonsági elhárításra, valamint az ipari gyártás, az elektrotechnika és a pénzügyi modellezés speciális feladataira fókuszál.

A modell felépítésénél a mérnökök a nulláról történő tanítás mellett döntöttek, elutasítva a tudásdesztillációt. Míg több ázsiai fejlesztőműhely nagyobb amerikai modellek kimeneteiből származtatott szintetikus adathalmazokkal gyorsítja a konvergenciát – amit például az Alibaba Qwen modelljeinek fejlesztése során is élénk nemzetközi figyelem kísért –, a Mistral Large 4 független súlyalapokon nyugszik. Guillaume Lample, a cég társalapítója és vezető kutatója kiemelte, hogy a legelterjedtebb általános nyelvi modellek készítői számos szűkebb mérnöki szakterületet figyelmen kívül hagynak. A francia csapat ezekre az ipari résekre építve finomhangolta a paramétereket, így a rendszer közvetlen hardveres kiszolgálás mellett ér el élvonalbeli pontosságot.

Arthur Mensch, a párizsi Mistral AI mesterséges intelligencia kutatólaboratórium vezetője mikrofonnal
Arthur Mensch, a Mistral AI vezérigazgatója és társalapítója egy szakmai konferencián. Forrás: Wikimedia Commons

Technológiai szuverenitás és geopolitikai átrendeződés

A nyílt súlyok szerepe az elmúlt hónapokban stratégiai kérdéssé vált a globális vállalati infrastruktúrában. A Trump-kormányzat júniusban ideiglenes exportkorlátozásokat léptetett életbe az OpenAI és az Anthropic csúcsmodelljeire hivatkozva kiberbiztonsági kockázatokra, ami rávilágított a zárt felhőszolgáltatások sérülékenységére. Miután több incidens során kiderült, hogy az amerikai rendszerek elszigetelt korlátai átléphetők, Washington szigorította a külső ellenőrzést, visszatartva az új modelleket a nemzetközi partnerektől, köztük a brit AI Safety Institute-tól is. Ez az elzárkózás piaci teret nyitott az európai szuverén megoldásoknak, mivel az önálló adatközpontokban futtatott súlyok felett a felhasználó teljes ellenőrzést gyakorol.

A saját infrastruktúrán üzemeltetett nyílt súlyú rendszerek működtetési költsége a felhasznált számítási kapacitásból és az áramfogyasztásból adódik, elkerülve a zárt API-k tokenalapú felárait. Bár a Mistral kisebb szerverparkkal dolgozik, mint a tengerentúli óriáscégek, az elmúlt egy évben hússzorosára növelte árbevételét a felhős használatalapú díjakból és a testreszabott vállalati finomhangolási megbízásokból. A cég szeptemberben 3,3 milliárd dolláros tőkebevonást hajtott végre 24 milliárd dolláros cégértékelés mellett, ami rekordot jelent az európai technológiai szektorban.

Kódolási és mérnöki hatékonyság a gyakorlatban

A rendszer gyakorlati felkészültségét az OpenRouter és különböző fejlesztői környezetek tesztjei mérik fel. Az első kísérletek szerint a Le Chonk kiemelkedő stabilitást mutat többlépéses kódgenerálási és szimulációs feladatokban, mint a böngészős Three.js 3D-modellezés, a lokális kismodellek felügyelt tanításának automatizálása és az interaktív webes vezérlőfelületek felépítése. Lample rámutatott: a digitális védelem zárt platformokra alapozása működési kockázatot rejt, hiszen egy külső fél által biztosított hozzáférés bármikor megszűnhet, a helyben futtatott súlyok viszont garantálják a védelmi folytonosságot.

A Mistral Large 4 (Le Chonk) gyakorlati kódolási és feladatmegoldási benchmark tesztje a legújabb szoftverfejlesztési feladatokon. Forrás: AICodeKing / YouTube

A nyílt súlyú rendszerek elterjedése a hardveres önállóság és a kriptográfiailag védett helyi futtatási környezetek optimalizációján múlik.