跳到主要內容

Mistral AI 發布首個推理模型 Magistral


人類最優秀的思維並非線性的——它交織著邏輯、洞察力、不確定性和探索。推理語言模型使我們能夠增強並委託人工智慧進行複雜的思維和深度理解，從而提高我們解決需要精確、循序漸進的思考和分析的問題的能力。

但這個領域仍處於萌芽階段。缺乏特定領域問題所需的專業深度、有限的透明度以及所需語言的推理不一致——這些只是早期思維模型已知的局限性中的一些。

今天，我們很高興地宣布，我們的最新成果——Magistral——我們的第一個推理模型，將為人工智慧研究做出貢獻。Magistral 現已發布開放版和企業版，旨在以我們熟悉的方式進行全面思考，同時融合跨專業領域的專業知識、易於遵循和驗證的透明推理，以及深度的多語言靈活性。


Magistral 是一種雙重發布模型，專注於現實世界的推理和回饋驅動的改進。

  • 我們發布了兩種版本的型號：Magistral Small（24B 參數開源版本）和 Magistral Medium（功能更強大的企業版本）。

  • Magistral Medium 在 AIME2024 的得分為 73.6%，其中多數投票為 64%，得分為 90%。 Magistral Small 的得分分別為 70.7% 和 83.3%。
  • 天生推理－Magistral 的思路鏈適用於全球語言和字母。
  • 適用於廣泛的企業用例—從結構化計算和程序邏輯到決策樹和基於規則的系統。
  • 透過 Le Chat 中的新思考模式和 Flash Answers，您可以獲得比大多數競爭對手快 10 倍的回應。
  • 該發布得到了我們最新論文的支持，該論文涵蓋了對 Magistral、我們的培訓基礎設施、強化學習演算法以及訓練推理模型的新觀察的全面評估。
  • 隨著 Magistral Small 開源，我們歡迎社群對其架構和推理流程進行研究、修改和構建，以進一步加速思維語言模型的誕生。我們早期的開放模型已被社群應用於 ether0 和 DeepHermes 3 等令人興奮的專案。

專為透明推理而設計

與通用模型不同，Magistral 針對多步驟邏輯進行了微調，提高了可解釋性，並以使用者的語言提供了可追溯的思考過程。

我們的目標是從此版本開始快速迭代模型。預計模型將持續改進。

多語言靈活性

該模型擅長在多種語言中保持高保真推理。 Magistral 尤其適合用於英語、法語、西班牙語、德語、義大利語、阿拉伯語、俄語和簡體中文等語言的推理。


Picture Source:
mistral.ai



標籤：

留言

張貼留言

這個網誌中的熱門文章

美國公布 2025 年六月非農就業人數

美國勞工統計局今天報告稱，6 月非農業就業總人數增加了 14.7 萬人，失業率基本持平於 4.1%。州政府和醫療保健領域的就業機會增加。聯邦政府部門的就業機會持續減少。 本新聞稿提供的統計數據來自兩項月度調查。 家庭調查以人口統計特徵衡量勞動力狀況，包括失業率。 機構調查以行業衡量非農業就業人數、工時和收入。 家庭調查數據 6月份，失業率為 4.1%，失業人數為 700 萬，兩者皆變化不大。自2024年5月以來，失業率一直維持在 4.0% 至 4.2% 的窄幅區間內。 在主要勞動族群中，非裔美國人（6.8%）的失業率在6月有所上升，而成年女性（3.6%）和白人（3.6%）的失業率則下降。成年男性（3.9%）、青少年（14.4%）、亞裔（3.5%）和西班牙裔（4.8%）的失業率在當月幾乎沒有變化。 6 月份，長期失業人數（失業 27 週或以上）增加了 19 萬，達到 160 萬，基本上抵消了上個月的降幅。長期失業者佔所有失業人口的 23.3%。 6 月份，勞動參與率基本維持不變，為 62.3%，就業人口比率維持在 59.7%。 6 月份，因經濟原因從事兼職工作的人數為 450 萬，基本維持不變。這些人原本更傾向於全職工作，但由於工作時間減少或無法找到全職工作，他們只能從事兼職工作。 6 月份，目前希望就業但未加入勞動力的人數基本保持不變，為 600 萬人。這些人未被計入失業人數，因為他們在調查前 4 週內沒有積極尋找工作，或無法接受工作。 在希望就業但未加入勞動力隊伍的人數中，6 月處於邊緣就業狀態的人數增加了 23.4 萬人，達到 180 萬人。這些人希望工作，並且能夠工作，在過去 12 個月的某個時間點尋找工作，但在調查前 4 週內沒有尋找工作。灰心喪志的工人（邊緣就業人群中的一部分，他們認為沒有工作機會）的人數在 6 月增加了 25.6 萬人，達到 63.7 萬人。 機構調查數據 6月份非農業就業總人數增加了 14.7 萬個，與過去 12 個月平均每月增加 14.6 萬個的水平持平。6月份，州政府和醫療保健領域的就業機會增加。聯邦政府的就業機會持續減少。 6月政府就業機會增加了 7.3 萬個。州政府就業機會增加了4.7萬個，主要集中在教育領域（增加了4萬個）。地方政府教育領域的就業機會持續增加（增加了2.3萬個）。聯邦政府就業機會持續減少（減少了7千個），自1月...
張貼留言
閱讀完整內容

DeepSeek-V3.1 發布，邁向 AI Agent

DeepSeek-V3.1 在 DeepSeek-V3.1-Base 的基礎上進行後訓練，後者基於原始 V3 基礎檢查點，通過兩階段長上下文擴展方法構建，遵循原始 DeepSeek-V3 報告中概述的方法。 DeepSeek 透過收集更多長文件並大幅擴展兩個訓練階段來擴展資料集。32K 擴展階段的標記數量增加了 10 倍，達到 6,300 億個標記，而 128K 擴展階段的標記數量增加了 3.3 倍，達到 2,090 億個標記。此外，DeepSeek-V3.1 使用 UE8M0 FP8 規模資料格式進行訓練，以確保與微尺度資料格式相容。 DeepSeek-V3.1 是一個同時支持思考模式和非思考模式的混合模型。相較於上一版本，本次升級帶來了多個方面的改進： 混合推理：思考與非思考－一個模型，兩種模式 更快的思考：DeepSeek-V3.1-Think 與 DeepSeek-R1-0528 相比，可以在更短的時間內找到答案 更強大的代理商技能：後製訓練可提高工具使用率和多步驟代理任務 DeepSeek-V3.1 模型提升了工具使用、程式碼生成和推理效率，在高難度基準測試中實現了與 DeepSeek-R1 相當的效能，同時響應速度更快。它支援結構化工具呼叫、代碼代理和搜尋代理，適用於研究、編碼和代理工作流程。 工具和代理程式升級 在 SWE / Terminal-Bench 上獲得更好的結果 針對複雜搜尋任務的更強大的多步驟推理 思考效率大幅提升 模型更新 V3.1 基礎：在 V3 基礎上繼續對 840B 個 token 進行預訓練，以進行長上下文擴展 Tokenizer 和聊天範本已更新 - 新的 tokenizer 設定： https://huggingface.co/deepseek-ai/DeepSeek- V3.1/blob/main/tokenizer_config.json V3.1 基礎開源權重： https://huggingface.co/deepseek-ai/DeepSeek-V3.1-Base V3.1 開源權重： https://huggingface.co/deepseek-ai/DeepSeek-V3.1 價格變動 新定價開始及非高峰折扣結束時間為 2025 年 9 月 5 日 16:00（UTC 時間） 在此之前，API 遵循當前定價 ...
張貼留言
閱讀完整內容

Multiverse Computing 推出微型高性能 AI 模型

據公司新聞稿稱，Multiverse Computing 表示已經解決了長期困擾人工智慧的一個問題：在不損失效能的情況下縮小模型。 這家總部位於西班牙的公司週四發布了名為 "Model Zoo" 的產品，這是一系列 "奈米模型"，據稱這些模型可以在中等硬體上本地運行，同時性能可匹敵甚至超越更大型的系統。 此次發表的產品包括兩款新產品——ChickenBrain 和 SuperFly，旨在證明在人工智慧領域，規模越大並不一定越好。 ChickenBrain 是 Meta 的 Llama 3.1 大型語言模型的精簡版，Multiverse 表示，該模型比通常所需的計算資源小 3700 倍。儘管如此，該模型在 MMLU Pro、MATH500、GSM8K 和 GPQA Diamond 等行業基準測試中仍優於 Llama 3.1 8B。 該公司在 MacBook Pro 和低成本 Raspberry Pi 等日常設備上對其進行了測試，表明它無需專門的雲端基礎設施即可運行。 SuperFly 較小，基於開源的 SmolLM2 135 模型，僅有 9,400 萬個參數。 Multiverse 表示，它足夠小，可以容納兩隻蒼蠅的神經容量，比雞腦小 15000 倍。該模型旨在實現無需互聯網連接即可運行的對話式 AI，因此非常適合嵌入到消費產品和車輛中。 該公司指出，SuperFly 可在智慧家電等領域實現直接應用，無需將資料傳送到雲端即可實現語音控制。這將使洗衣機或冰箱即使在離線狀態下也能回應簡單的語言指令。在汽車領域，它可以為車載助理提供動力，使其在沒有蜂窩信號覆蓋的區域也能繼續運行，處理導航、氣候和音頻任務。 https://theaiinsider.tech/2025/08/15/multiverse-computing-reports-it-shrinks-ai-models-without-sacrificing-power/ Picture Source: Multiverse Computing
張貼留言
閱讀完整內容