미스트랄 라지 4 가중치 공개, 성능만큼 중요한 운영 조건

미스트랄 AI(Mistral AI)가 1조 매개변수 모델 ‘미스트랄 라지 4(Mistral Large 4)’의 가중치를 공개했다. ‘르 청크(Le Chonk)’라는 별칭의 이 모델은 코딩과 사이버 방어 성능을 높이고, 작업에 쓰는 토큰을 줄이는 데 초점을 맞췄다. 기업은 모델을 직접 내려받아 운영할 수 있지만, 서비스형 모델 사업에는 별도 라이선스가 필요하다. 성능 수치만큼이나 실제 운영비와 사용 조건을 살펴볼 만한 발표다.

핵심요약

  • 미스트랄 AI는 공개 미리보기 이후 추가 학습한 미스트랄 라지 4의 가중치를 배포해 자체 서버 운영과 맞춤화를 가능하게 했다.
  • 코딩 평가에서 선두권 성적을 내면서 작업당 토큰 사용량을 줄였다는 점이 대규모 에이전트 운영 비용과 맞닿아 있다.
  • 미스트랄 AI는 취약점 탐지·수정 능력과 악성 사이버 요청 거절률을 함께 내세웠지만, 정상적인 보안 작업을 얼마나 막지 않는지도 중요하다.
  • 유럽에서 처음부터 학습한 모델이라는 출처와 자체 배치 옵션은 데이터와 운영 통제권을 중시하는 조직을 겨냥한다.
  • 수정된 MIT 라이선스는 일반적인 활용을 허용하지만 서비스형 모델 사업자에게는 별도 상업 계약을 요구한다.

공개 미리보기 뒤 3주, 가중치 공개

미스트랄 AI는 이달 초 1조 매개변수의 네이티브 멀티모달 모델(여러 형태의 입력을 처리하도록 설계된 모델)을 공개 미리보기로 선보였다. 이번 발표는 그때의 모델을 그대로 내려받게 한 것이 아니라, 개발자와 초기 고객의 의견을 반영하고 강화학습(결과에 대한 평가를 바탕으로 모델을 개선하는 학습)을 더 진행한 버전의 가중치 공개다. 회사는 특히 코딩과 방어 목적의 사이버보안 작업에서 성능이 크게 올랐다고 밝혔다. 추론 효율도 개선해 같은 종류의 작업을 처리할 때 비용 부담을 낮추겠다는 설명이다.

미스트랄 AI가 강조하는 또 다른 특징은 개발·학습 과정의 출처다. 회사는 모델을 유럽 인프라에서 처음부터 학습했으며, 개발 초기부터 배포까지의 계보를 파악할 수 있다고 설명한다. 여기서 ‘주권 AI’는 단순히 어느 지역의 API를 쓰느냐가 아니라, 조직이 모델을 점검·수정하고 자기 인프라에서 운영할 수 있느냐에 가깝다. 가중치 공개는 그 통제권을 확보하는 출발점이라는 것이 미스트랄 AI의 주장이다.

코드 품질 19.7%, 토큰은 47% 줄여

공개 미리보기 뒤 3주간의 추가 강화학습은 코딩 평가 수치에 반영됐다. 저장소 관리자가 에이전트의 변경 사항을 실제로 병합할 만한지까지 살피는 코그니션(Cognition)의 비공개 프런티어코드 2.0(FrontierCode 2.0) 평가에서 미스트랄 라지 4는 19.7%를 기록해 공개 가중치 모델 중 앞섰다. 단순히 코드를 만들어 내는 데서 그치지 않고, 변경 결과의 품질을 보는 평가라는 점이 핵심이다. 미스트랄 AI는 다른 코딩 지표인 터미널벤치에서도 공개 가중치 모델 선두에 올랐다고 밝혔다.

비용과 더 직접 연결되는 수치는 아티피셜 애널리시스(Artificial Analysis)의 코딩 에이전트 지수에서 나왔다. 미스트랄 라지 4는 48%로 GLM-5.3과 사실상 비슷한 점수를 내면서, 작업당 평균 토큰은 47% 적게 썼다. 터미널 기반 작업을 평가하는 터미널벤치 4.0(Terminal-Bench 4.0)에서는 미리보기보다 13%포인트 오른 41%를 기록했고, 출력 토큰은 30% 줄었다. 에이전트가 여러 차례 모델을 호출하는 작업에서는 답의 품질과 함께 호출마다 쓰는 토큰도 운영비를 좌우한다.

개발자는 작업의 난도와 비용에 맞춰 세 가지 추론 모드를 고를 수 있다. 기본으로 설정된 높은 수준의 모드는 정밀한 판단이 필요한 작업에 쓰고, 더 간단한 작업에는 부담이 낮은 모드를 선택하는 방식이다. 미스트랄 AI는 서지 코드(Surge Code)의 블라인드 비교에서도 미스트랄 라지 4가 GLM-5.3, 키미 K3(Kimi K3), 딥시크 V4.1 플래시(DeepSeek V4.1 Flash)보다 선호됐다고 소개했다. 해당 비교에서 미스트랄 라지 4보다 앞선 모델은 클로드 오퍼스 5.5(Claude Opus 5.5)뿐이었다.

취약점 패치와 악성 요청 거절을 함께 내세워

미스트랄 AI는 공개 미리보기 이후 보안 기업들과 실제 환경에 가까운 평가를 진행했다. 코드베이스에서 취약점을 찾아 재현·검증하고, 기존 기능을 깨뜨리지 않으면서 패치하는 능력을 측정하는 아티피셜 애널리시스 사이버 지수에서 미스트랄 라지 4는 51%를 기록했다. 회사는 정당한 방어 작업에는 불필요하게 답변을 거부하지 않는다고 강조한다. 취약점을 다루는 보안 업무에서는 위험한 요청을 막는 능력과 허가된 점검을 돕는 능력이 모두 필요하기 때문이다.

악성 사이버 요청에 대한 평균 거절률은 96.6%로, 미스트랄 AI가 측정한 공개 모델 가운데 가장 높았다. 이 수치는 보안 관련 유해 요청을 담은 여러 평가의 평균이다. 회사는 미리보기 모델의 실제 사용량을 살피는 과정에서 운영 중인 표적을 겨냥한 블랙박스 공격 요청은 거부하는 모습을 봤다고 밝혔다. 동시에 실제 공격 능력을 높이는 데 쓰일 여지도 확인해 안전장치를 계속 수정하겠다고 했다.

보안 파트너들의 평가는 각기 다른 운영 조건에 초점을 맞춘다. 부즈 앨런 해밀턴(Booz Allen Hamilton)은 내부 소스코드 보안 분석 평가에서 취약점 탐지 재현율과 비용 구조를 언급했고, 클라우드플레어(Cloudflare)는 자체 인프라에 배치해 구조를 점검할 수 있다는 점을 강조했다. 시스코(Cisco)는 공개 가중치가 연구자에게 모델의 행동과 오용 가능성을 살필 여지를 준다고 봤다. 이들이 공통으로 짚는 것은 성능 수치 하나보다 보안팀이 모델과 데이터를 어느 정도 통제할 수 있느냐다.

보안 특화 모델은 접근을 따로 제한

미스트랄 AI는 일반 공개 모델과 별개로, 고급 보안 작업에 맞춘 특화 버전을 일부 기업 설계 파트너에게 미리 제공한다. 오렌지 사이버디펜스(Orange Cyberdefense) 등이 접근하는 이 버전은 침투 테스트, 취약점 평가, 레드팀 활동에 최적화됐다. 접근에는 엄격한 심사와 계약상 보호 장치가 적용된다. 테스트 대상도 소유했거나 명시적 허가를 받은 시스템으로 제한된다.

고객이 자체 보안 데이터와 정책, 탐지 규칙, 위협 환경을 모델에 반영하는 경로도 마련했다. 미스트랄 포지(Mistral Forge)를 사용해 모델을 맞춤화하고, 범위가 분명한 작업에는 더 작은 전용 모델로 최적화할 수 있다는 설명이다. 보안 조직마다 다루는 코드와 정책이 다른 만큼, 공통 모델을 그대로 쓰는 방식만 제시하지 않은 셈이다. 다만 실제 방어 현장에서는 거절 정책과 업무 수행 능력이 함께 작동해야 한다.

스프레드시트·검색·에이전트 방어

기업 업무 평가에서는 재무·회계용 스프레드시트를 만들고 수정하는 능력을 개선했다고 밝혔다. 관련 작업을 측정하는 핀치(Finch) 점수는 73.3%로, 공개 모델 중 키미 K3 다음이었다. 웹 탐색 평가인 브라우즈컴프(BrowseComp)는 강화학습 이전 체크포인트의 75%에서 84.5%로 올랐다. 미스트랄 AI는 이를 바탕으로 자료를 찾아 처리하는 지식 업무에서도 경쟁력을 내세운다.

조직 안팎에서 쓰는 에이전트의 공격 저항성도 평가했다. 시스템 프롬프트 유출이나 악성 코드 주입처럼 에이전트의 동작을 바꾸려는 공격을 다루는 B3 에이전트 보안 벤치마크에서 저항률은 미리보기의 93.3%에서 97.1%로 높아졌다. 미스트랄 AI는 이 결과를 공개 가중치 모델 중 선두권 성적으로 소개했다. 업무용 에이전트가 외부 입력을 읽고 도구를 사용할수록, 작업 수행 능력뿐 아니라 지시를 잘못 받아들이지 않는 능력도 중요해진다.

위성 지도부터 분자 계산까지

미스트랄 AI가 제시한 시연은 점수표 밖에서 모델이 어떤 순서로 일하는지 보여준다. 취약점 분류 에이전트는 접수된 보고서를 읽고 코드와 제품 맥락을 조사한 뒤, 격리된 환경에서 결함을 재현하고 패치를 반복한다. 웹 개발 시연에서는 약 1만9000개의 위성과 우주 잔해를 표시하는 실시간 3D 지도를 만들었다. 추적 데이터를 가져와 앱을 작성하고, 브라우저에서 직접 실행해 오류와 속도 문제를 고치는 과정까지 포함했다.

과학 작업 시연에서는 분자 안 전자의 위치를 계산하는 소프트웨어를 처음부터 작성했다. 모델은 계산 결과를 기존 화학 도구와 비교하고, 물이나 벤젠 같은 분자를 조작하며 결합 변화에 따른 전자 분포를 볼 수 있는 3D 페이지도 만들었다. 세 시연은 코드 생성 한 번으로 끝나는 작업보다 조사, 실행, 확인, 수정이 이어지는 흐름에 맞춰져 있다. 미스트랄 AI가 코딩 성능을 ‘에이전트 작업’의 성능으로 설명하는 이유도 여기에 있다.

유럽에서 학습하고 조직 안에서 운영

미스트랄 AI는 조직이 모델 자체를 보유하고 운영 방식을 정할 수 있어야 한다고 주장한다. 가중치를 내려받으면 미스트랄의 API 제공에만 의존하지 않고 자체 인프라에서 모델을 점검·수정·배치할 수 있다. 미스트랄 포지는 기업 데이터를 활용한 맞춤화에, 미스트랄 스튜디오(Mistral Studio)는 그렇게 만든 에이전트와 앱의 구축·관리·개선에 쓰인다. 회사는 고객팀과 함께 구축 과정을 진행해 조직이 이후 독립적으로 운영하고 개선할 수 있도록 하겠다고 설명한다.

모든 조직이 직접 서버를 운영해야 한다는 뜻은 아니다. 관리형 서비스를 선호하는 고객을 위해 마이크로소프트 파운드리(Microsoft Foundry)에서도 미스트랄 라지 4를 제공하며, 애저(Azure) 개발자를 위한 비공개 배치 옵션도 있다. 발표에 참여한 금융·보안·과학 분야 관계자들은 자체 배치, 맞춤화, 데이터 위치와 모델 출처를 각자의 요구에 맞춰 언급했다. ‘주권’의 실무적 형태가 한 가지 배포 방식으로 고정되지는 않는다는 이야기다.

내려받을 수 있지만 서비스 사업에는 별도 계약

모델은 미스트랄 스튜디오와 API, 오픈라우터(OpenRouter)에서 사용할 수 있다. 자체 운영을 원하면 허깅페이스(Hugging Face)에서 가중치를 내려받아 vLLM이나 SGLang으로 배포할 수 있다. 엔비디아(NVIDIA)가 호스팅하는 엔드포인트와 최적화된 배포용 컨테이너도 마련됐다. 미스트랄 AI는 모델 카드와 라이선스를 공개했으며, 상세 기술 보고서는 추후 내놓겠다고 밝혔다.

사용 조건은 ‘미스트랄 에코시스템 오픈웨이트’ 라이선스에 담겼다. 수정된 MIT 라이선스로, 모델을 사용·수정·미세조정하고 상업화할 수 있지만 서비스형 모델 사업을 운영하는 기업은 상업적 사용 전에 미스트랄과 별도 계약을 맺어야 한다. API 가격은 입력 토큰 100만 개당 0.70달러, 캐시된 입력은 0.07달러, 출력은 2.10달러다. 따라서 가중치에 접근할 수 있다는 사실과 모든 형태의 서비스 사업에 같은 조건이 적용된다는 뜻은 구분해서 읽어야 한다.

커뮤니티 의견

한 사용자는 서비스형 모델 사업자에게 별도 계약을 요구하면서 ‘오픈웨이트’라고 부르는 것이 오해를 부른다고 지적했다. 공개 소프트웨어 라이선스 논쟁과 비교하며 ‘가중치 이용 가능’이라는 표현이 더 정확하다고 봤다. 답글에서는 가중치를 실행 파일에 비유하고, 학습 데이터 등 모델을 만드는 데 쓰인 자료까지 공개해야 소스 공개에 가까워진다는 주장도 나왔다.

유럽 기반 기업에서 미스트랄을 사용한다는 한 사용자는 자사 모델의 개선뿐 아니라 타사 모델 지원과 API 기능 확장을 긍정적으로 평가했다. 복잡한 문서 구성 요소와 맞춤 도구를 만드는 앱에서 미스트랄 라지 4와 다른 모델을 함께 쓴다는 설명이다. 답글에는 타사 모델까지 제공하는 전략이 유럽 기업의 선택지를 넓힌다는 의견이 이어졌다.

가격을 살핀 사용자는 입력·출력 가격이 미리보기 때와 비교해 거의 절반으로 내려갔다고 짚었다. 이전 가격에서는 경쟁력이 부족하다고 평가했지만, 이번 인하와 모델 개선을 합치면 다시 시험할 이유가 생겼다는 반응이다. 다른 사용자는 코딩 작업에서 입력 캐시 비중이 크다며, 기본 입력·출력 가격만 비교해서는 실제 비용을 알기 어렵다고 했다.

사이버보안 수치에는 악성 요청 거절률만으로 안전성과 유용성을 함께 판단할 수 없다는 지적이 나왔다. 한 사용자는 무해한 요청을 거절하지 않는 비율도 보여 달라고 요구했다. 답글에서는 같은 공격 기법이라도 본인 소유 시스템을 점검하는지에 따라 정당성이 달라질 수 있어, 요청의 의도를 가르는 일이 어렵다는 설명이 붙었다.

라이선스 용어를 두고는 반론도 이어졌다. 한 사용자는 공개 가중치라고 부르려면 사용 제한도 없어야 한다고 봤지만, 다른 사용자는 내려받을 수 있는 가중치와 오픈소스는 원래 다른 범주라고 맞섰다. 제목이 약속한 핵심은 가중치의 공개이며, 구체적인 사업상 제약은 라이선스에서 확인하면 된다는 주장이다.

직접 배치를 고려하는 사용자는 H200 카드 4장의 총 메모리 540GB로도 4비트나 3비트 양자화(모델 수치를 더 적은 비트로 표현해 메모리 사용을 줄이는 방식)가 필요해 보인다고 했다. 답글은 4비트 양자화의 품질을 미리 단정하기보다 실제 작업으로 시험해 보라고 권했다. 가중치가 공개돼도 이를 담을 하드웨어와 허용할 품질을 따져야 한다는 고민이 드러난다.

모델 규모를 우려하는 의견도 있었다. 한 사용자는 1조 개 규모의 모델이 소비자용 장비에서 다루기 어렵고, 학습과 운영에 필요한 데이터센터 비용도 키운다고 봤다. 반론에서는 큰 모델을 양자화하거나 더 작은 모델을 학습시키는 기반으로 쓸 수 있으므로, 대형 모델의 공개 자체에도 가치가 있다고 했다.

성능 발표를 실제 사용과 구분해 보자는 반응도 나왔다. 한 사용자는 앞선 모델들이 자체 평가만큼 만족스럽지 않았다며 이번 결과를 더 시험해 보고 싶다고 했다. 반면 다른 사용자는 코딩 작업에서 충분히 도움을 받았고, 모델만 빈 상태로 비교하기보다 작업 지침과 도구를 함께 갖춘 환경에서 평가해야 한다고 설명했다.

핵심통찰

미스트랄 라지 4의 변화는 ‘공개 가중치 모델도 좋은 답을 내는가’라는 질문을 ‘누가 어떤 조건으로 지속 운영할 수 있는가’로 넓힌다. 토큰 효율, 캐시 가격, 양자화 후 품질은 같은 성능 점수라도 실제 비용을 달라지게 한다. 보안 분야에서는 악성 요청을 막으면서 허가된 점검은 끝까지 수행해야 한다. 앞으로 주목할 것은 독립적인 실사용 평가와 자체 배치 결과, 그리고 별도 계약 조항이 서비스 사업자의 선택에 미치는 영향이다.


원본: Mistral Large 4 (Le Chonk) is now open weight | Mistral

토론: Hacker News