Mistral AI เปิดตัวพรีวิว Mistral Large 4 สถาปัตยกรรม MoE 1.05 ล้านล้านพารามิเตอร์ พร้อมบริบท 1 ล้านโทเคน

การเปิดตัวและสถาปัตยกรรมระดับ 1.05 ล้านล้านพารามิเตอร์

เมื่อวันที่ 6 ตุลาคม 2026 บริษัท Mistral AI จากฝรั่งเศส ได้ประกาศเปิดตัวโมเดลปัญญาประดิษฐ์ระดับเรือธงรุ่นล่าสุด Mistral Large 4 (ML4) ซึ่งมีชื่อเล่นภายในองค์กรอย่างเป็นทางการว่า 'Le Chonk' สู่สถานะพรีวิวสาธารณะ (Public Preview) โดยผู้ใช้งานสามารถเข้าทดสอบโมเดลผ่านช่องทาง API บน Mistral Studio ได้ทันที ส่วนการปล่อยไฟล์น้ำหนักโมเดล (Model Weights) แบบเปิดเพื่อให้นักพัฒนานำไปใช้งานต่อ มีกำหนดการส่งมอบภายในสิ้นเดือนตุลาคม 2026 โดยมีรายงานระบุวันที่ 27 ตุลาคม

ในเชิงสถาปัตยกรรม Mistral Large 4 ได้รับการออกแบบให้เป็นโมเดลแบบ Sparse Mixture-of-Experts (MoE) ที่ทำงานแบบมัลติโมดัลมาแต่กำเนิด มีพารามิเตอร์รวมทั้งหมดประมาณ 1.05 ล้านล้านพารามิเตอร์ (1.05 Trillion Parameters) แต่จะเปิดการทำงาน (Active Parameters) เพียง 49 พันล้านพารามิเตอร์ต่อโทเคนเท่านั้น โดยทำงานประสานกับตัวประมวลผลภาพ (Vision Encoder) ขนาด 1.6 พันล้านพารามิเตอร์ และรองรับความยาวบริบท (Context Window) มหาศาลถึง 1 ล้านโทเคน

ด้านการเทรนโมเดล Mistral AI ระบุว่าได้ทำการพรีเทรนโมเดลใหม่ทั้งหมดตั้งแต่ต้น (Pretrained from scratch) บนคลัสเตอร์จีพียู Nvidia Grace Blackwell จำนวนระหว่าง 3,800 ถึง 4,000 ชุด ซึ่งติดตั้งและดำเนินการทั้งหมดอยู่ภายในศูนย์ข้อมูลบนแผ่นดินยุโรป พร้อมทั้งรองรับข้อมูลและการประมวลผลมากกว่า 160 ภาษา

ราคาการให้บริการ API และผลการทดสอบประสิทธิภาพ

สำหรับโครงสร้างราคาใช้งานเชิงพาณิชย์ผ่าน API ทาง Mistral กำหนดราคามาตรฐานไว้ที่ 1.36 ดอลลาร์สหรัฐต่อ 1 ล้านโทเคนฝั่งนำเข้า (Input) และ 4.18 ดอลลาร์สหรัฐต่อ 1 ล้านโทเคนฝั่งส่งออก (Output) ขณะที่บนหน้าพอร์ทัลบริการของ Mistral บางส่วนได้แสดงอัตราโปรโมชันชั่วคราวที่ 0.68 ดอลลาร์สหรัฐต่อ 1 ล้านโทเคนนำเข้า และ 2.09 ดอลลาร์สหรัฐต่อ 1 ล้านโทเคนส่งออก เพื่อดึงดูดนักพัฒนาเข้ามาทดลองใช้งานในช่วงแรก

ในรายงานผลการทดสอบประสิทธิภาพที่เปิดเผยโดย Mistral AI ระบุว่า ML4 ทำคะแนนได้ 61.7% บนชุดทดสอบวิศวกรรมซอฟต์แวร์ DeepSWE v1.1, ทำคะแนนได้ 59.9% บน AutomationBench และทำคะแนนได้ 82% บนชุดทดสอบการสืบค้นและแก้ไขช่องโหว่ความปลอดภัย (Reproduce-and-Patch Vulnerability Benchmark) ขณะที่การประเมินอิสระโดยองค์กร Artificial Analysis รายงานดัชนีชี้วัด Intelligence Index ของโมเดลนี้ไว้ที่ 38 คะแนน

การเทียบเคียงประสิทธิภาพและข้อเท็จจริงที่ต้องติดตาม

แม้ผู้พัฒนาจะระบุว่าโมเดลมีความสามารถทัดเทียมหรือเหนือกว่าโมเดลแบบโอเพนเวตจากห้องวิจัยจีนในหลายภารกิจ แต่ข้อมูลการทดสอบจากองค์กรอิสระภายนอกแสดงให้เห็นว่า Mistral Large 4 ยังคงมีคะแนนการให้เหตุผลเชิงลึกโดยรวม (Aggregate Reasoning) ตามหลังโมเดลระดับแนวหน้าอย่าง GLM-5.3 และ Kimi K3 อยู่บางส่วน

นอกจากนี้ รายละเอียดสัญญาอนุญาตการใช้งาน (License Terms) ของไฟล์น้ำหนักโมเดลที่จะปล่อยออกมาในช่วงปลายเดือนตุลาคมยังไม่มีการประกาศฉบับสมบูรณ์อย่างเป็นทางการ นักวิเคราะห์ในแวดวงอุตสาหกรรมคาดการณ์ว่าอาจไม่ใช่สัญญาอนุญาตแบบเสรีอย่าง Apache 2.0 โดยตรง แต่อาจเป็นสัญญาอนุญาตเฉพาะของ Mistral เอง ซึ่งยังต้องรอเอกสารทางกฎหมายฉบับจริงเมื่อมีการปล่อยไฟล์

เสียงสะท้อนจากกลุ่มนักพัฒนาและวิศวกรซอฟต์แวร์

กลุ่มนักพัฒนาและวิศวกรระบบแสดงความยินดีต่อการเปิดตัวครั้งนี้เป็นวงกว้าง โดยมองว่าเป็นการส่งสัญญาณสำคัญที่แสดงให้เห็นว่าห้องปฏิบัติการในยุโรปสามารถพัฒนาโมเดลระดับล้านล้านพารามิเตอร์มาแข่งขันกับมหาอำนาจด้านเอไอได้ และเป็นก้าวที่ดีสำหรับระบบนิเวศโมเดลแบบเปิดน้ำหนัก

อย่างไรก็ตาม นักปฏิบัติการจริงยังสะท้อนถึงอุปสรรคเชิงเทคนิคหลายประการ โดยเฉพาะข้อจำกัดด้านฮาร์ดแวร์สำหรับการรันโมเดลด้วยตนเอง เนื่องจากสถาปัตยกรรมที่มีพารามิเตอร์รวมถึง 1.05 ล้านล้านพารามิเตอร์จำเป็นต้องใช้หน่วยความจำระดับศูนย์ข้อมูลองค์กรขนาดใหญ่ ทำให้ไม่สามารถโฮสต์บนเครื่องคอมพิวเตอร์ทั่วไปได้ นอกจากนี้ นักพัฒนาบางส่วนที่เริ่มทดลองนำโมเดลไปเชื่อมต่อกับระบบเอเจนต์ช่วยเขียนโค้ดยังพบปัญหาความเข้ากันได้และความขรุขระในการติดตั้งใช้งานเมื่อเทียบกับระบบที่มีการปรับจูนมาเฉพาะทาง

นัยสำคัญต่อภาคธุรกิจและองค์กรในประเทศไทย

สำหรับภาคธุรกิจในประเทศไทย การมาของ Mistral Large 4 มอบทางเลือกสำคัญในการวางกลยุทธ์ปัญญาประดิษฐ์ โดยเฉพาะองค์กรในกลุ่มการเงิน การแพทย์ และโทรคมนาคม ที่ต้องการประมวลผลเอกสารขนาดยาวด้วยบริบท 1 ล้านโทเคน เช่น สัญญาทางกฎหมาย รายงานประจำปี หรือชุดข้อมูลการกำกับดูแล โดยไม่ต้องถูกผูกขาดอยู่กับผู้ให้บริการคลาวด์รายใหญ่เพียงรายเดียว

อย่างไรก็ดี องค์กรไทยที่วางแผนจะนำโมเดลนี้มาติดตั้งบนโครงสร้างพื้นฐานของตนเอง (Self-hosted/On-premise) จำเป็นต้องประเมินต้นทุนฮาร์ดแวร์เซิร์ฟเวอร์จีพียูอย่างรอบคอบ เนื่องจากการรองรับพารามิเตอร์ระดับล้านล้านพารามิเตอร์ต้องใช้การลงทุนด้านโครงสร้างพื้นฐานที่สูงมาก ในระยะสั้น การทดสอบผ่าน API จึงเป็นทางเลือกที่สมเหตุสมผลกว่าในเชิงต้นทุน พร้อมทั้งต้องติดตามการประกาศเงื่อนไขสัญญาอนุญาตใช้งานในปลายเดือนตุลาคม เพื่อให้สอดคล้องกับข้อกำหนดทางกฎหมายและการคุ้มครองข้อมูลขององค์กร