2026. július 5., vasárnap · Modellek

A Mistral nyílt forráskódú Leanstral 1.5 modellje 100%-ot ért el a miniF2F formális matematikai benchmarkon

A Mistral AI kiadta a Leanstral 1.5-öt, egy Apache 2.0 licencű, nyílt forráskódú modellt, amelyet a Lean 4 programozási nyelvben végzett formális verifikációra terveztek. A Mistral állítása szerint a modell 100%-os eredményt ér el a miniF2F benchmarkon, amely középiskolai szinttől matematikai olimpiai nehézségig terjedő feladatokat tartalmaz, míg a Putnam-versenyek 672 feladatából 587-et old meg. A cég szerint a modell az algebrai FATE-H és FATE-X benchmarkokon is csúcseredményeket produkál, 87, illetve 34 százalékkal. Bár elsősorban matematikai feladatokra képezték ki, a Mistral közlése alapján kódverifikációra is alkalmas: 57 nyílt forráskódú kódtár átvizsgálása során öt korábban ismeretlen hibát talált, köztük egy túlcsordulási hibát a varinteger nevű Rust könyvtárban. A modell a Hugging Face platformon és ingyenes API-n keresztül érhető el.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A formális matematikai verifikáció területén nyílt forráskódú modellként kiemelkedő benchmark-eredményeket mutat, és valós kódbázisokban is hibákat talált.

Források

The Decoder

Kapcsolódó témák

Napi összefoglalók AI kutatás #Mistral AI#formális verifikáció

Napi összefoglaló

Ez a hír a 2026. július 5., vasárnap napi AI összefoglaló része.

Kapcsolódó hírek

Mistral AI bemutatta a Voxtral 3 hangügynök-rendszert

A Mistral AI bejelentette a Voxtral 3 nevű modellcsaládot, amely valós idejű hangalapú AI-ügynökök építésére szolgál. A rendszer tartalmaz egy beszédfelismerő modellt (Voxtral Small Transcribe 3), egy szövegfelolvasó modellt (Voxtral Mini TTS 3), valamint egy LiveKit-alapú ügynök-SDK-t, amelyek egyetlen streamelt folyamatban egyesítik a hallgatást, a gondolkodást, az eszközhasználatot és a beszédet. A vállalat szerint az átirat-készítés több mint 50 nyelvet, a beszédszintézis pedig 35 nyelvet és 50 dialektust fed le érzelmi adaptációval. A cég közlése szerint az ügynökök élő beszélgetés közben külső rendszerekhez is hozzáférhetnek, például időpontfoglaláshoz vagy számlaellenőrzéshez. Mistral azt állítja, hogy a rendszer futtatható saját infrastruktúrán vagy EU-ban hosztolt API-kon keresztül, az átírás ára pedig percenként 0,0035 dollártól indul.

Mistral Large 4: billió paraméteres, Európában épített AI-modell kiberbiztonsági éllel

A Mistral AI nyilvános előnézetben elérhetővé tette a Mistral Large 4-et (ML4), egy billió paraméteres, natívan multimodális modellt, amelyet a cég saját európai adatközpontjaiban, 3800 NVIDIA Grace Blackwell GPU-n tanított; a teljes súlyokat október végén adják ki. A Mistral állítása szerint ML4 a legjobb nyílt súlyozású modell az USA-ból vagy Európából, és élen jár kiberbiztonsági, pénzügyi és jogi feladatokban, mert sebezhetőségeket is reprodukál és javít, amit a versenytársak biztonsági szűrői gyakran megtagadnak. A független Artificial Analysis Intelligence Index szerint ML4 38 pontot ért el, ami jelentős ugrás a Mistral Large 3 9 és a Mistral Medium 3.5 14 pontjához képest, de így is messze elmarad a piacvezető Claude Opus 5.5 (Max) 58 pontjától. A teljes súlyok megjelenéséig a cég kiberbiztonsági szakértőkkel, ellenőrzött partnerekkel és állami szervekkel teszteli a modell csökkentett moderációjú, bővített kiberképességű változatát.

Mistral bemutatta az 1 billió paraméteres Le Chonk modellt

A francia Mistral AI kedden bemutatta Mistral Large 4-et, becenevén Le Chonk-ot, egy 1 billió paraméteres multimodális modellt. A cég szerint egyelőre csak egy nyilvános, korlátozott hozzáférésű végponton érhető el, a súlyokat biztonsági tesztek után, mintegy három héten belül teszik majd szabadon elérhetővé – közölte Pierre Stock, a Mistral tudományos alelnöke. A vállalat állítása szerint a modellt kizárólag saját számítási kapacitásán, mindössze 4000 Nvidia GPU-val tanították, ami kétszer-háromszor kevesebb, mint amit a kínai versenytársak használnak. Mistral a modellt elsősorban kódolásra, kiberbiztonságra, valamint gyártási, pénzügyi és chiptervezési feladatokra optimalizálta, utóbbi a befektető ASML és Samsung profiljához is illeszkedik. A cég szeptemberben 3,3 milliárd dolláros finanszírozási kört zárt 24 milliárd dolláros értékelésen, ami minden idők legnagyobb európai techcég-tőkebevonása volt.

Négy Gemini 4 Argon AI-ügynök legyőzte a Minecraftot egy kutatási futásban

A Google DeepMind kutatóinak arXivon közölt, nem lektorált tanulmánya szerint négy, Gemini 4 Argon modellre épülő AI-ügynököt indítottak egy véletlenszerűen generált Minecraft-világban, Easy nehézségen, előre meghatározott szerepek, stratégiák vagy külön megírt játékspecifikus eszközök nélkül; a kutatók bármikor szüneteltethették vagy leállíthatták a futást, de nem avatkoztak be. A kutatók szerint az ügynökök önállóan osztották fel egymás között a feladatokat, figyelmeztették egymást a veszélyekre, visszaszerezték elhunyt társaik tárgyait, és közös memóriában rögzítették a hibákat. A 27 óra 14 perces munkamenet alatt összesen 2783 JavaScript programot írtak, 229 chatüzenetet váltottak, és 605-ször haltak meg, mire legyőzték az Ender sárkányt. A Decoder közlése szerint a teljes futtatás a Gemini 4 Argon 2027-ben életbe lépő standard árazásán 1620 dollárba került volna. A cikk ezt az agentikus AI-modellek legújabb példájaként mutatja be olyan videojátékok önálló legyőzésére, amelyekhez korábban célzottan, nulláról betanított rendszerekre volt szükség.