Mistral Large 4 dołącza do Open Math OS — a otwarta część wiąże się z listą oczekujących

3 listopada 2026 r. Mistral Large 4 stał się najnowszym modelem w Open Math OS — wspólnej przestrzeni roboczej Fundacji SAIR, w której matematycy i agenci AI pracują nad tymi samymi projektami. Ogłoszenie było krótkim wpisem, a nie stroną premierową: 1,05T otwartych wag, okno kontekstu 1M, udostępniony tego dnia zatwierdzonym zespołom. Warto zatrzymać się właśnie nad tym ostatnim zdaniem. Open Math OS opiera się wyłącznie na otwartych modelach dokładnie po to, by społeczność matematyczna mogła sprawdzić i uruchomić to, na czym polega, a najnowszy dodatek wciąż trafia za kolejkę zatwierdzeń. Podobnie jest z trzema modelami, które już są na liście — DeepSeek V4.1 Flash, Kimi K3 i GLM-5.3-Flash.

Co Mistral rzeczywiście powiedział, a co pominął

Wpis zawiera dwa twierdzenia techniczne i jedno określenie dostępu. Twierdzenia — 1,05 biliona łącznych parametrów i okno kontekstu obejmujące milion tokenów — są zgodne z checkpointem opublikowanym przez Mistral 29 października, więc nie są marketingową arytmetyką. Określenie dostępu to „zatwierdzone zespoły”, bez opisu, czego wymaga zatwierdzenie, ile to trwa ani czy indywidualny badacz może uzyskać dostęp bez zespołu.

To, czego post nie zawiera, jest równie pouczające. Nie ma żadnego benchmarku matematycznego. Nie ma stwierdzenia, że Mistral Large 4 był oceniany na dowodach Lean, na formalizacji ani na którymkolwiek z zadań, do których zbudowano Open Math OS. Nie ma uwagi, czy model otrzymuje taki sam dostęp do narzędzi jak dotychczasowi gracze — powłokę, narzędzia PDF, checker Lean, serwery MCP — czy ograniczony zestaw. I nie ma cennika, co jest spójne z przestrzenią roboczą działającą na darowanej mocy obliczeniowej, a nie na rozliczanych tokenach.

Nic z tego nie jest krytyką modelu. To opis tego, jak wiele wciąż nie wiadomo o tym zestawieniu, sześć dni po tym, jak wagi zostały udostępnione.

Open Math OS to przestrzeń robocza, a nie model

To rozróżnienie ma znaczenie, ponieważ nazwa brzmi jak nazwa produktu do zainstalowania. Open Math OS to inicjatywa SAIR Foundation, wstępnie uruchomiona 16 października 2026 r.; Terence Tao — współzałożyciel SAIR — opisał ją jako usługę hostowaną z „usługami i interfejsami internetowymi podobnymi do czołowych modeli AI”, a nie coś, co się instaluje. Jej środowisko uruchomieniowe o otwartym kodzie źródłowym, Open Math Harness, jest napisane w Rust i zorganizowane jako mikrojądro oparte na uprawnieniach: każdy program, w tym agenci, działa jako proces w izolacji, a deklarowaną zasadą projektową jest „agenci proponują, matematycy decydują”.

Wokół tego rdzenia znajdują się elementy, które czynią go środowiskiem pracy, a nie oknem czatu. Konta zespołowe, w których członkowie mogą widzieć nawzajem swoje prompty. Trwała pamięć projektu. Tryb równoległej eksploracji o nazwie Ultramath, który uruchamia jednocześnie kilku agentów do pracy nad tym samym problemem. Wyszukiwanie dowodów weryfikowane w Lean. Obsługa serwerów MCP oraz wtyczek tworzonych przez samych użytkowników. SAIR przyznaje bezpłatne konta wnioskodawcom akademickim i uruchamia całość na przekazanych mocach obliczeniowych, dlatego limity kont i korekty alokacji są wyraźnie przedmiotem dyskusji.

Pierwotna lista modeli, z którymi wystartował, składała się wyłącznie z chińskich modeli open-weight. To właśnie tę lukę wypełnia Mistral Large 4: to pierwszy model w Open Math OS od europejskiego laboratorium i pierwszy, za którym stoi francuska historia suwerennego wdrożenia. Dla fundacji, której przesłaniem jest społeczna kontrola nad danymi, opcja niechińska i nieamerykańska jest prawdziwym uzupełnieniem, a nie odhaczonym punktem.

Pytanie o licencję, którego nikt w wątku nie zadał

Mistral Large 4 nie jest udostępniany na licencji Apache 2.0, co stanowi zmianę względem jego poprzednika. Jego wagi są dystrybuowane na licencji Mistral Ecosystem Open-Weight License, czyli zmodyfikowanej licencji MIT, która pozwala na użytkowanie, modyfikowanie, dostrajanie i komercjalizację — z jednym wyjątkiem. Każdy, kto oferuje ten model jako model-as-a-service, musi uzyskać od firmy Mistral osobną licencję komercyjną.

Open Math OS to usługa hostowana, która pozwala zespołom wywoływać model przez interfejs webowy. To, czy takie rozwiązanie jest „modelem jako usługą” w rozumieniu licencji, czy podlega wyłączeniu dla osadzonych produktów końcowych, czy wpisuje się w wąski wyjątek dotyczący wyłącznie przekazywania żądań do modeli hostowanych gdzie indziej, jest kwestią prawną, której SAIR nie omówił publicznie. Mistral również się nie wypowiedział. Jest całkowicie możliwe — a nawet prawdopodobne — że za ogłoszeniem stoi umowa handlowa, której żadna ze stron nie opisała. Ale czytelnik, który zobaczył „open weights” i założył, że kwestia hostingu została rozstrzygnięta, powinien wiedzieć, że tak nie jest, ponieważ ta sama klauzula będzie miała zastosowanie do każdego laboratorium, które chce zbudować wspólną przestrzeń roboczą na tym modelu.

Dlaczego okno 1M to tutaj coś więcej niż pozycja w specyfikacji

Okna kontekstowe zwykle sprzedaje się pod kątem objętości dokumentów, a milion tokenów brzmi jak szafa na akta. W przestrzeni roboczej do matematyki formalnej użyteczna wersja wygląda inaczej. Projekt gromadzi plik Lean, jego importy, stan dowodu, dyskusję wokół nieudanej taktyki oraz historię sesji samego agenta. Wszystko to musi znajdować się w tej samej ramie, aby agent mógł cokolwiek zrobić poza zgadywaniem. Wątki, które przetrwają wiele dni, są sednem wspólnej przestrzeni roboczej; okno, które je obcina, zamienia każdą sesję w zimny start.

To argument za tym, dlaczego Mistral Large 4 pasuje do projektu, a nie dowód, że faktycznie osiąga wyniki. W tygodniu premiery łatwo pomylić jedno z drugim, a wpis Mistrala wcale w tym nie pomaga — podaje okno jako liczbę nagłówkową obok liczby parametrów, co jest językiem karty specyfikacji, a nie oceną.

Co otrzymuje zatwierdzony zespół i co wciąż pozostaje nieokreślone

• Ocena — brak opublikowanych wyników matematycznych dla Mistral Large 4 w Open Math OS; modele startowe z tego zestawienia zostały opisane przez Tao jako mniej więcej rok za czołówką i dobre w formalizacji średniej wielkości w Lean, co jest twierdzeniem o zdolnościach, a nie wynikiem punktowym.

• Parytet narzędzi — nie określono, czy nowy model otrzyma Ultramath, wyszukiwanie dowodów i pełny zestaw narzędzi naukowych, czy ograniczony podzbiór na czas oceny.

Limity — brak publikowanych limitów szybkości, kwot ani limitów kontekstu wewnątrz przestrzeni roboczej, gdzie okno 1 mln może zostać przycięte przez platformę niezależnie od tego, co obsługuje model.

• Polityka danych — Tao napisał w październiku, że SAIR chciało „najpierw zebrać nieco danych o użytkowaniu, zanim sfinalizujemy nasze polityki". To szczere stwierdzenie, a zarazem powód, by przeczytać obecne warunki, zanim umieści się niepublikowany dowód w projekcie.

• Wybór — brak wyjaśnienia, jak zespół wybiera model dla poszczególnych projektów, czy wybór dotyczy pojedynczego czatu, czy całego projektu, ani czy SAIR automatycznie kieruje ruchem między nimi.

Wzorzec jest spójny: ogłoszenie opisuje model dodawany do oferty, a nie demonstrowaną możliwość. Jeśli zastanawiasz się, czy aplikować, taki jest rzetelny stan dowodów.

Jeśli tym, czego chcesz, są modele, a nie obszar roboczy

Open Math OS jest najciekawszą częścią tej historii, ale nie jest jedynym sposobem na dotarcie do modeli, które obsługuje. GLM-5.3-Flash znajduje się w katalogu OrcaRouter w cenie katalogowej dostawcy, podobnie jak Kimi K3 — dwa z trzech modeli, z którymi uruchomiono przestrzeń roboczą, dostępne przez jedno API obok ponad 200 innych, z automatycznym przełączaniem awaryjnym między dostawcami i 0% marży ponad stawkę samego dostawcy. DSL routingu złoży je w jedno wywołanie, jeśli chcesz panel zamiast pojedynczej odpowiedzi, co jest zgrubnym przybliżeniem tego, co Ultramath robi wewnątrz przestrzeni roboczej bez dołączonego walidatora Lean.

Mistral Large 4 nie znajduje się w naszym katalogu i nie zamierzamy udawać, że jest inaczej. Jeśli potrzebujesz konkretnie tego modelu, dostępne dziś drogi to własne API Mistrala, otwarte checkpointy wag na Hugging Face albo partnerscy zewnętrzni dostawcy hostingu. Kompromis jest realny: przestrzeń robocza daje współdzielony projekt, narzędzia i weryfikację dowodów; API daje sam model, w cenie, którą można zmierzyć.

Co obejrzeć dalej

Trzy rzeczy zamieniłyby tę aktualizację składu w konkretny wynik. Ocena każdego modelu z osobna w Open Math OS — nawet niewielka, obejmująca zestaw formalizacji w Lean ocenianych w ten sam sposób dla wszystkich czterech modeli — byłaby pierwszym publicznym dowodem na to, który model matematyk powinien wybrać do jakiego zadania. Opublikowana polityka dostępu rozwiązałaby napięcie między „otwartością” a „zatwierdzeniem”. A oświadczenie SAIR lub Mistrala o tym, jak rozwiązanie hostingowe ma się do klauzuli „model-as-a-service”, powiedziałoby każdemu innemu laboratorium, czy może zbudować to samo.

Do tego czasu trafne podsumowanie pozostaje wąskie: model z otwartymi wagami o bilionie parametrów i oknem 1M jest teraz jedną z opcji w przestrzeni badawczej, która — według własnego opisu jej założyciela — wciąż jest bardzo wczesną wersją.