ఫ్రెంచ్ స్టార్టప్ Mistral AI ఇటీవలే తన తాజా మల్టీమోడల్ మోడల్ Mistral Medium 3ను విడుదల చేసింది. ఇది పరిశ్రమలో విస్తృత దృష్టిని ఆకర్షించింది. ఈ మోడల్ Claude Sonnet 3.7 యొక్క 90% పనితీరును అందుకోగలదని లేదా అధిగమించగలదని Mistral పేర్కొంది. DeepSeek V3 కంటే తక్కువ ధరలో లభిస్తుందని తెలిపింది. ఇది చాలా పొదుపుగా ఉంటుందని చెప్పవచ్చు. అయితే, వాస్తవ పరీక్ష ఫలితాలు అధికారిక ప్రకటనలకు భిన్నంగా ఉన్నాయి. మోడల్ పనితీరు యొక్క నిజాయితీ గురించి చర్చకు దారితీసింది.
Mistral Medium 3 యొక్క ముఖ్య అంశాలు
Mistral తన అధికారిక బ్లాగ్‌లో Mistral Medium 3 యొక్క కొన్ని ముఖ్య అంశాలను జాబితా చేసింది:
- పనితీరు మరియు ధరల సమతుల్యత: Mistral Medium 3 అత్యుత్తమ పనితీరును అందించడంతోపాటు ధరను ఎనిమిది రెట్లు తగ్గించాలని లక్ష్యంగా పెట్టుకుంది. సంస్థాపన ప్రక్రియను సులభతరం చేయడం ద్వారా, సంస్థ యొక్క అనువర్తనాలను వేగవంతం చేయవచ్చు.
- వృత్తిపరమైన అనువర్తన దృశ్యాలలో అద్భుతమైన పనితీరు: ఈ మోడల్ కోడ్ రాయడం మరియు మల్టీమోడల్ అవగాహన వంటి వృత్తిపరమైన అనువర్తన దృశ్యాలలో అద్భుతమైన పనితీరును కనబరుస్తుంది.
- సంస్థ-స్థాయి ఫీచర్లు: Mistral Medium 3 హైబ్రిడ్ క్లౌడ్ విస్తరణ, స్థానిక విస్తరణ మరియు VPC అంతర్గత విస్తరణ, అనుకూలీకరించిన శిక్షణ మరియు సంస్థ సాధనాలు మరియు వ్యవస్థల్లోకి అనుసంధానం వంటి అనేక సంస్థ-స్థాయి ఫీచర్లను అందిస్తుంది.
Mistral Medium 3 API ఇప్పుడు Mistral La Plateforme మరియు Amazon Sagemakerలో అందుబాటులో ఉంది. త్వరలో IBM WatsonX, NVIDIA NIM, Azure AI Foundry మరియు Google Cloud Vertexలో కూడా అందుబాటులోకి రానుంది.
పనితీరు మరియు ఖర్చుల మధ్య రాజీ
Mistral Medium 3 యొక్క ప్రధాన లక్ష్యం ఏమిటంటే అత్యాధునిక పనితీరును అందించడంతోపాటు ఖర్చులను గణనీయంగా తగ్గించడం. అధికారిక డేటా ప్రకారం, వివిధ బెంచ్‌మార్క్ పరీక్షలలో, Mistral Medium 3 యొక్క పనితీరు Claude Sonnet 3.7 యొక్క 90% లేదా అంతకంటే ఎక్కువకు చేరుకుంది, అయితే ఖర్చు గణనీయంగా తగ్గింది (మిలియన్ టోకెన్‌లకు ఇన్‌పుట్ ధర $0.4, అవుట్‌పుట్ ధర $2).
అదనంగా, Mistral Medium 3 యొక్క పనితీరు Llama 4 Maverick మరియు Cohere Command A వంటి ప్రముఖ ఓపెన్ సోర్స్ మోడళ్లను కూడా అధిగమించింది. API లేదా స్వయంప్రతిపత్త విస్తరణతో సంబంధం లేకుండా, Mistral Medium 3 యొక్క ధర DeepSeek V3 కంటే తక్కువగా ఉంటుంది.
Mistral Medium 3 నాలుగు GPUలు లేదా అంతకంటే ఎక్కువ ఉన్న స్వీయ-హోస్ట్ చేసిన పరిసరాలతో సహా ఏదైనా క్లౌడ్‌లో కూడా అమలు చేయబడుతుంది, ఇది సంస్థలకు ఎక్కువ సౌలభ్యాన్ని అందిస్తుంది.
అగ్రశ్రేణి పనితీరు కోసం అన్వేషణ
Mistral Medium 3 అనేది కోడింగ్ మరియు STEM పనులలో ప్రత్యేకంగా రాణించే అగ్రశ్రేణి మోడల్‌గా ఉండాలని Mistral ప్రకటించింది. దీని పనితీరు పెద్దదిగా ఉండి నెమ్మదిగా పనిచేసే ప్రత్యర్థులకు చాలా దగ్గరగా ఉంటుంది.
Mistral అందించిన పట్టిక ప్రకారం, Mistral Medium 3 యొక్క పనితీరు Llama 4 Maverick మరియు GPT-4oలను దాదాపుగా అధిగమించింది. Claude Sonnet 3.7 మరియు DeepSeek 3.1 స్థాయికి చేరుకుంది. అయితే, ఈ డేటా ప్రధానంగా విద్యా సంబంధిత బెంచ్‌మార్క్ పరీక్షల నుండి తీసుకోబడింది. ఇది నిజమైన అనువర్తనాలలో మోడల్ యొక్క పనితీరును పూర్తిగా ప్రతిబింబించకపోవచ్చు.
మానవ మూల్యాంకనాల అనుబంధం
Mistral Medium 3 యొక్క పనితీరును మరింత సమగ్రంగా అంచనా వేయడానికి Mistral థర్డ్-పార్టీ మానవ మూల్యాంకన ఫలితాలను కూడా విడుదల చేసింది. మానవ మూల్యాంకనం నిజ జీవిత వినియోగ సందర్భాలను మరింత సూచిస్తుంది మరియు విద్యా సంబంధిత బెంచ్‌మార్క్ పరీక్షలలోని లోపాలను పూరించగలదు.
మానవ మూల్యాంకన ఫలితాల ప్రకారం, Mistral Medium 3 కోడింగ్ రంగంలో అద్భుతంగా పనిచేస్తుంది మరియు ఇతర పోటీదారుల కంటే అన్ని అంశాలలోనూ మెరుగైన పనితీరును అందిస్తుంది. ఇది Mistral Medium 3 వాస్తవ అనువర్తనాల్లో కొంత ప్రయోజనాన్ని కలిగి ఉందని సూచిస్తుంది.
సంస్థ-స్థాయి అనువర్తనాల కోసం రూపొందించబడింది
Mistral Medium 3 సంస్థ వాతావరణానికి అనుగుణంగా ఉండే సామర్థ్యంలో ఇతర SOTA మోడళ్ల కంటే మెరుగైనది. సంస్థ API ద్వారా ఫైన్-ట్యూనింగ్ చేయడం లేదా మోడల్ ప్రవర్తనను మొదటి నుండి స్వీయ-విస్తరణ మరియు అనుకూలీకరించడం వంటి కష్టమైన ఎంపికలను ఎదుర్కొంటున్నప్పుడు, Mistral Medium 3 సంస్థ వ్యవస్థల్లోకి తెలివితేటలను పూర్తిగా అనుసంధానించడానికి ఒక మార్గాన్ని అందిస్తుంది.
సంస్థ అవసరాలను మరింత తీర్చడానికి, Mistral Mistral Medium 3 మోడల్ ద్వారా ఆధారితమైన Le Chat Enterpriseను కూడా ప్రారంభించింది. ఇది సంస్థల కోసం ఒక చాట్‌బాట్ సేవ. Le Chat Enterprise అనేది AI తెలివైన ఏజెంట్ నిర్మాణ సాధనాన్ని అందిస్తుంది. Gmail, Google Drive మరియు SharePoint వంటి థర్డ్-పార్టీ సేవలతో Mistral యొక్క మోడల్‌ను అనుసంధానిస్తుంది. సాధనాల విభజన, సురక్షితంకాని విజ్ఞాన సముపార్జన, మొండి మోడళ్లు మరియు నెమ్మదైన పెట్టుబడి రాబడి వంటి సంస్థలు ఎదుర్కొంటున్న AI సవాళ్లను పరిష్కరించడానికి మరియు అన్ని సంస్థాగత పనులకు ఏకీకృత AI ప్లాట్‌ఫారమ్‌ను అందించడానికి ఇది ఉద్దేశించబడింది.
Le Chat Enterprise త్వరలో MCP ప్రోటోకాల్‌కు మద్దతు ఇస్తుంది. ఇది Anthropic ప్రతిపాదించిన AI మరియు డేటా సిస్టమ్స్ మరియు సాఫ్ట్‌వేర్‌లను కనెక్ట్ చేసే ప్రమాణం.
Mistral యొక్క భవిష్యత్తు దృక్పథం
Mistral Small మరియు Mistral Medium విడుదలైనప్పటికీ, రాబోయే వారాల్లో తమకు “పెద్ద” ప్రణాళిక ఉందని Mistral బ్లాగ్‌లో వెల్లడించింది. అదే Mistral Large. వారు విడుదల చేసిన Mistral Medium పనితీరు ఇప్పటికే Llama 4 Maverick వంటి అగ్రశ్రేణి ఓపెన్ సోర్స్ మోడళ్ల కంటే చాలా మెరుగ్గా ఉందని తెలిపారు. Mistral Large యొక్క పనితీరు మరింత ఆశాజనకంగా ఉంటుందని భావిస్తున్నారు.
Mistral Large యొక్క విడుదల AI రంగంలో Mistral యొక్క పోటీతత్వాన్ని మరింత పెంచుతుంది. వినియోగదారులకు ఎక్కువ ఎంపికలను అందిస్తుంది.
వాస్తవ పరీక్షలో వ్యత్యాసం
Mistral Medium 3 యొక్క పనితీరుపై Mistral పూర్తి విశ్వాసంతో ఉంది. Claude Sonnet 3.7 యొక్క 90% కంటే ఎక్కువ పనితీరును అందిస్తుందని పేర్కొంది. అయితే, వాస్తవ పరీక్ష ఫలితాలు కొన్ని సమస్యలను వెలుగులోకి తెచ్చాయి.
మీడియా మరియు నెటిజన్లు త్వరగా Mistral Medium 3పై వాస్తవ పరీక్షలు నిర్వహించారు. ఫలితాలు నిరాశపరిచాయి. “ది న్యూయార్క్ టైమ్స్” కనెక్షన్స్ కాలమ్ పదజాల వర్గీకరణ ప్రశ్నల ఆధారంగా చేసిన మూల్యాంకనంలో, Medium 3 చివరి స్థానంలో ఉంది. దాని ఉనికి దాదాపుగా కనిపించలేదు. కొత్త 100 ప్రశ్నల పరీక్షలో, ఇది మొదటి వరుస మోడళ్లలో కూడా స్థానం సంపాదించలేకపోయింది.
కొందరు వినియోగదారులు Medium 3ని పరీక్షించిన తర్వాత దాని రచన సామర్థ్యం పాతలాగే ఉందని, ఎటువంటి స్పష్టమైన పురోగతి లేదని తెలిపారు. అయితే, LLM మూల్యాంకనంలో ఇది పరేటో అంచున ఉంది.
Zhu Liang యొక్క పరీక్ష ఫలితాలు Mistral Medium 3 కోడ్ రాయడం మరియు టెక్స్ట్ జనరేషన్‌లో మంచి పనితీరును కనబరిచిందని సూచిస్తున్నాయి. ఈ రెండు మూల్యాంకనాల్లోనూ మొదటి ఐదు స్థానాల్లో నిలిచింది.
సాధారణ కోడింగ్ టాస్క్‌లో (Next.js TODO అప్లికేషన్):
- ఇది స్పష్టమైన మరియు సంక్షిప్త సమాధానాలను ఉత్పత్తి చేసింది.
- Gemini 2.5 Pro మరియు Claude 3.5 Sonnet వలె రేటింగ్ ఇవ్వబడింది.
- DeepSeek V3 (కొత్త) మరియు GPT-4.1 కంటే తక్కువగా ఉంది.
సంక్లిష్ట కోడింగ్ టాస్క్‌లో (బెంచ్‌మార్క్ విజువలైజేషన్):
- Gemini 2.5 Pro మరియు DeepSeek V3 (కొత్త)తో సమానమైన సగటు ఫలితాలను ఉత్పత్తి చేసింది.
- GPT-4.1, o3 మరియు Claude 3.7 Sonnet కంటే తక్కువగా ఉంది.
రచనలో:
- ఇది చాలా ముఖ్యమైన అంశాలను కవర్ చేసింది, కానీ ఆకృతి సరిగ్గా లేదు.
- DeepSeek V3 (కొత్త) మరియు Claude 3.7 Sonnetతో సమానమైన రేటింగ్ ఇవ్వబడింది.
- GPT-4.1 మరియు Gemini 2.5 Pro కంటే తక్కువగా ఉంది.
ప్రముఖ వ్యక్తి “karminski-దంతవైద్యుడు” వాస్తవ పరీక్ష తర్వాత Mistral Medium 3 పనితీరు అధికారికంగా ప్రచారం చేసినంత శక్తివంతంగా లేదని కనుగొన్నారు. వినియోగదారులు దానిని డౌన్‌లోడ్ చేయవద్దని, డౌన్‌లోడ్ చేస్తే ట్రాఫిక్ మరియు హార్డ్ డిస్క్ స్థలం వృథా అవుతుందని సూచించారు.
ముగింపు
Mistral Medium 3 యూరోపియన్ AI రంగంలో ఒక వినూత్న ప్రయత్నంగా, పనితీరు మరియు ఖర్చు మధ్య సమతుల్యతను కోరుకుంటుంది మరియు సంస్థ-స్థాయి అనువర్తనాల కోసం ఆప్టిమైజ్ చేయబడింది. అయితే, వాస్తవ పరీక్ష ఫలితాలు అధికారిక ప్రకటనలకు భిన్నంగా ఉన్నాయి. Mistral మోడల్ పనితీరు గురించి అతిశయోక్తి ప్రకటనలు చేసి ఉండవచ్చని సూచిస్తున్నాయి.
అయినప్పటికీ, Mistral Medium 3 ఇప్పటికీ కొంత సామర్థ్యాన్ని కలిగి ఉంది, ముఖ్యంగా కోడింగ్ మరియు టెక్స్ట్ జనరేషన్ రంగాలలో. భవిష్యత్తులో, Mistral మోడల్ పనితీరును మరింత మెరుగుపరచాలి. వినియోగదారుల నమ్మకాన్ని పొందడానికి వాస్తవ అనువర్తన పరీక్షను బలోపేతం చేయాలి. అదే సమయంలో, Mistral Large విడుదల కూడా ఆశించదగినది. Mistral Medium 3లోని లోపాలను ఇది పూరించగలదు మరియు వినియోగదారులకు మెరుగైన అనుభవాన్ని అందిస్తుంది.
మొత్తానికి, Mistral Medium 3 విడుదల AI రంగంలో ఐరోపా యొక్క క్రియాశీల అన్వేషణ మరియు వినూత్న స్ఫూర్తిని ప్రతిబింబిస్తుంది. వాస్తవ పనితీరు అంచనాలకు తగ్గట్టుగా లేనప్పటికీ, Mistral ఇప్పటికీ దృష్టి పెట్టదగినది. దాని భవిష్యత్తు అభివృద్ధి ఆశించదగినది.