Mistral Large
El lanzamiento por parte de Mistral AI de su nuevo modelo insignia “Mistral Large”, ofrecido como una API de pago y en Azure, se percibe como un movimiento estratégico hacia la primera línea de los LLM comerciales junto a GPT‑4 y Gemini. Los comentaristas se centran en su precio ligeramente inferior y en benchmarks casi de última generación, pero muchos están decepcionados porque, a diferencia de lanzamientos anteriores de Mistral, los pesos del nuevo modelo son cerrados y la marca de la empresa se ha alejado de un compromiso explícito con los pesos abiertos. Este cambio alimenta preocupaciones más amplias de que el “open source” en IA suele ser una estrategia temporal de marketing hasta que los proveedores pueden restringir sus modelos más potentes, con implicaciones para la competencia a largo plazo, la investigación y el control por parte del usuario.
Posicionamiento de abierto frente a cerrado y “open source”
- Muchos ven los nuevos modelos cerrados de Mistral (y el cambio en el texto del sitio web de “Open-Weight models” a “Frontier AI in your hands”) como un giro alejándose de su marca anterior de pesos abiertos, comparándolo con la trayectoria de OpenAI.
- Algunos sostienen que “open source” en realidad no se aplica a blobs opacos de pesos; otros responden que los pesos son la “forma preferida para la modificación” en ML y, por tanto, cuentan razonablemente.
- Varios comentarios encuadran los lanzamientos abiertos como una etapa de marketing o “freemium” hasta que un modelo sea lo bastante competitivo como para venderse.
- Una minoría defiende a Mistral: las empresas deben financiar entrenamientos costosos, y regalar modelos abiertos potentes puede beneficiar sobre todo a competidores “clonadores”.
Precios, integración con Azure y enfoque empresarial
- Precios de Mistral Large: $8 / 1M tokens de entrada, $24 / 1M tokens de salida, ligeramente más barato que GPT‑4‑Turbo ($10 / $30).
- En Azure, Mistral es marginalmente más barato que GPT‑4‑Turbo; el GPT‑4 clásico es mucho más caro.
- Algunos se preguntan por qué alguien usaría Mistral en lugar de GPT‑4 cuando obtiene resultados algo peores en benchmarks y, sin embargo, solo es ~20% más barato.
- Otros señalan que la distribución en Azure es clave para la empresa: los contratos existentes, el cumplimiento normativo (p. ej., FedRAMP) y la indemnización hacen que “solo otro servicio de Azure” sea mucho más fácil de comprar que el alojamiento propio de una startup.
Capacidades, benchmarks y pruebas en el mundo real
- Los propios gráficos de Mistral lo sitúan ligeramente por debajo de GPT‑4 y (según comentaristas) por debajo de Gemini 1.5 / Ultra en algunos benchmarks; se critica que usar Gemini Pro 1.0 como comparador está desactualizado.
- Los usuarios reportan resultados mixtos en la práctica: algunos consideran que Le Chat es mejor que GPT‑4 en tareas específicas de programación; otros siguen viendo a GPT‑4 claramente superior en razonamiento, calidad de código y comprensión de la intención.
- Mixtral 8x7B sigue siendo elogiado como un modelo abierto excepcionalmente útil, especialmente para uso local, y algunos lo prefieren a Google Search para consultas técnicas.
API, nomenclatura y cambios en la línea de productos
- Los endpoints fueron renombrados y versionados (por ejemplo,
open-mistral-7b,open-mixtral-8x7b,mistral-small-2402,mistral-large-2402), y los alias antiguos están programados para deprecación. - Las nuevas funciones incluyen function calling y modo JSON para Mistral Small y Large, una nueva interfaz de Le Chat y gestión de cuentas empresariales.
- Algunos interpretan la separación entre endpoints “open-*” y propietarios como una señal de que los futuros modelos de gama alta seguirán siendo cerrados.
Preocupaciones económicas y del ecosistema
- Debate sobre si liberar los pesos perjudicaría de forma significativa los ingresos: algunos creen que las ventajas de infraestructura y ventas protegerían el negocio de OpenAI/Mistral; otros apuntan a lo rápido que terceros alojan modelos abiertos de forma más barata y rápida.
- Se expresan temores sobre la concentración de los mejores modelos en manos de unos pocos actores grandes (en particular, alineados con Microsoft), el posible antitrust/“enshittification” y la falta de esfuerzos sólidos de entrenamiento abierto financiados por la comunidad.