Mistral Large 3 هو أحدث عائلة نماذج «Frontier» أطلقتها Mistral AI في أوائل ديسمبر 2025. إنه نموذج أساس متعدد الوسائط مفتوح الأوزان وموجّه للإنتاج، مبني حول تصميم مزيج خبراء متناثر دقيق الحبيبات (MoE)، ومقصود به تقديم قدرات «Frontier» في الاستدلال، وفهم السياق الطويل، وقدرات الرؤية + النص، مع الحفاظ على عملية الاستدلال عملية بفضل التناثر والتكميم الحديث. تُوصَف Mistral Large 3 بأنها تضم 675 مليار مُعامل إجماليًا مع حوالي ~41 مليار مُعامل نشط أثناء الاستدلال ونافذة سياق 256k رمزًا في الإعداد الافتراضي — وهي توليفة مصمّمة لدفع القدرات والحجم دون إجبار كل عملية استدلال على لمس جميع المعاملات.
ما هو Mistral Large 3؟ كيف يعمل؟
ما هو Mistral Large 3؟
Mistral Large 3 هو نموذج «Frontier» الرائد من Mistral AI ضمن عائلة Mistral 3 — نموذج كبير، مفتوح الأوزان، متعدد الوسائط، قائم على مزيج الخبراء (MoE)، ومُصدَر تحت ترخيص Apache-2.0. صُمّم ليقدّم قدرات «Frontier» (الاستدلال، البرمجة، فهم السياق الطويل، المهام متعددة الوسائط) مع الحفاظ على حسابات الاستدلال متناثرة عبر تفعيل جزء فقط من خبراء النموذج لكل رمز. تصف المواد الرسمية لـ Mistral Large 3 بأنه نموذج يحتوي على ~675 مليار مُعامل إجماليًا وحوالي 40–41 مليار مُعامل نشط يُستخدم في كل تمرير أمامي؛ كما يتضمن مُرَمِّز رؤية ومُهندَس للتعامل مع نوافذ سياق طويلة جدًا (تذكر Mistral وشركاؤها حتى 256k رمزًا).
باختصار: إنه نموذج MoE يضم سعة هائلة إجمالًا (ليستوعب تخصصات متنوعة) لكنه لا يُجري الحساب إلا على مجموعة نشطة أصغر بكثير وقت الاستدلال — بهدف تقديم أداء «Frontier» بكفاءة أعلى من نموذج كثيف بحجم إجمالي مماثل.
البنية الأساسية: مزيج خبراء دقيق الحبيبات (MoE)
على مستوى عالٍ، يستبدل Mistral Large 3 بعض (أو العديد) من الطبقات الفرعية للتغذية الأمامية في المحوّل بطبقات MoE. تحتوي كل طبقة MoE على:
- خبراء كُثُر — شبكات فرعية مستقلة (عادةً كتل FFN). مجتمعة تُنتِج العدد الكبير جدًا من المُعاملات الإجمالي للنموذج (مثل مئات المليارات).
- موجِّه / شبكة بوَّابة — شبكة صغيرة تنظر إلى تمثيل الرمز وتقرر أي الخبير/الخبراء ينبغي أن يعالج ذلك الرمز. عادةً ما تختار موجِّهات MoE الحديثة فقط أفضل k خبراء (توجيه متناثر)، غالبًا k=1 أو k=2، للحفاظ على انخفاض الحساب.
- تفعيل متناثر — لكل رمز، لا يعمل سوى الخبراء المُختارين؛ والبقية يُتجاوزون. هنا يأتي مصدر الكفاءة: إجمالي المعاملات المخزَّنة >> المعاملات النشطة المحسوبة لكل رمز.
تسمّي Mistral تصميمها «MoE دقيق الحبيبات» للتأكيد على أن النموذج يمتلك العديد من الخبراء الصغار/المتخصصين ومخطط توجيه مُحسَّن ليتسع عبر العديد من وحدات GPU والسياقات الطويلة. النتيجة: سعة تمثيلية كبيرة جدًا مع إبقاء حساب كل رمز أقرب إلى نموذج كثيف أصغر بكثير،إجمالي المُعاملات:
- إجمالي المُعاملات: 675 مليار؛ مجموع جميع المعاملات المخزَّنة عبر كل الخبراء وبقية المحوّل. يشير هذا الرقم إلى السعة الإجمالية للنموذج (مدى المعرفة والتخصصات التي يمكن أن يحملها).
- المُعاملات النشطة: 41 مليار. مجموعة المعاملات التي تُستخدَم/تُحاسَب فعليًا في تمرير أمامي نموذجي، لأن الموجِّه يُفعِّل عددًا قليلًا فقط من الخبراء لكل رمز. هذا هو المقياس الأكثر ارتباطًا بحسابات ومستخدم الذاكرة أثناء الاستدلال لكل طلب. تذكر المواد العامة لـ Mistral ~41B معاملات نشطة؛ تعرض بعض صفحات النماذج أعدادًا مختلفة قليلًا لنسخ محددة (مثل 39B) — وقد يعكس ذلك اختلافات النسخ/الإرشاد أو التقريب.
إعدادات التدريب:
- تم التدريب من الصفر باستخدام 3000 وحدة NVIDIA H200؛
- تغطي البيانات لغات متعددة، ومهام متعددة، ووسائط متعددة؛
- تدعم إدخال الصور والاستدلال عبر اللغات.
جدول ميزات Mistral Large 3
| الفئة | وصف القدرات التقنية |
|---|---|
| الفهم متعدد الوسائط | يدعم إدخال الصور والتحليل، مما يمكّن من فهم المحتوى المرئي أثناء الحوار. |
| الدعم متعدد اللغات | يدعم بشكل أصيل أكثر من 10 لغات رئيسية (الإنجليزية، الفرنسية، الإسبانية، الألمانية، الإيطالية، البرتغالية، الهولندية، الصينية، اليابانية، الكورية، العربية، وغيرها). |
| دعم موجهات النظام | متسق للغاية مع تعليمات النظام والموجهات السياقية، ومناسب لسير عمل معقد. |
| قدرات الوكلاء | يدعم استدعاء الدوال الأصلي وإخراج JSON مُهيكل، مما يتيح الاستدعاء المباشر للأدوات أو التكامل مع الأنظمة الخارجية. |
| نافذة السياق | يدعم نافذة سياق طويلة جدًا 256K رمزًا، من بين الأطول في النماذج مفتوحة المصدر. |
| تموضع الأداء | أداء من مستوى الإنتاج مع فهم قوي للسياق الطويل ومخرجات مستقرة. |
| ترخيص مفتوح المصدر | Apache 2.0 License، قابل للاستخدام الحر لأغراض التعديل التجاري. |
نظرة عامة:
- الأداء قابل للمقارنة مع النماذج المغلقة المصدر الشائعة؛
- أداء ممتاز في المهام متعددة اللغات (خصوصًا خارج الإنجليزية والصينية)؛
- يمتلك قدرات فهم الصور واتباع التعليمات؛
- يوفّر نسخة أساسية (Base) ونسخة مضبوطة بالإرشاد (Instruct)، مع نسخة مُحسَّنة للاستدلال (Reasoning) قريبًا.
كيف يُؤدي Mistral Large 3 على المعايير القياسية؟
تُظهِر المعايير العامة المبكرة ولوحات الصدارة أن Mistral Large 3 يحتل مراتب عالية بين النماذج مفتوحة المصدر: تموضع LMArena في المرتبة #2 ضمن نماذج OSS غير الاستدلالية وذكر مراتب رفيعة على مجموعة متنوعة من المهام القياسية (مثل GPQA وMMLU وغيرها من مجموعات الاستدلال/المعرفة العامة).
![Mistral Large 3 هو أحدث عائلة نماذج «Frontier» أطلقتها Mistral AI في أوائل ديسمبر 2025. إنه نموذج أساس متعدد الوسائط مفتوح الأوزان وموجّه للإنتاج، مبني حول تصميم مزيج خبراء متناثر دقيق الحبيبات (MoE)، ومقصود به تقديم قدرات «Frontier» في الاستدلال، وفهم السياق الطويل، وقدرات الرؤية + النص، مع الحفاظ على عملية الاستدلال عملية بفضل التناثر والتكميم الحديث. تُوصَف Mistral Large 3 بأنها تضم 675 مليار مُعامل إجماليًا مع حوالي ~41 مليار مُعامل نشط أثناء الاستدلال ونافذة سياق 256k رمزًا في الإعداد الافتراضي — وهي توليفة مصمّمة لدفع القدرات والحجم دون إجبار كل عملية استدلال على لمس جميع المعاملات.
ما هو Mistral Large 3؟ كيف يعمل؟
ما هو Mistral Large 3؟
Mistral Large 3 هو نموذج «Frontier» الرائد من Mistral AI ضمن عائلة Mistral 3 — نموذج كبير، مفتوح الأوزان، متعدد الوسائط، قائم على مزيج الخبراء (MoE)، ومُصدَر تحت ترخيص Apache-2.0. صُمّم ليقدّم قدرات «Frontier» (الاستدلال، البرمجة، فهم السياق الطويل، المهام متعددة الوسائط) مع الحفاظ على حسابات الاستدلال متناثرة عبر تفعيل جزء فقط من خبراء النموذج لكل رمز.
يتبنّى Mistral Large 3 نهج مزيج الخبراء (MoE): بدلًا من تفعيل كل مُعامل لكل رمز، يوجّه النموذج معالجة الرموز إلى مجموعة فرعية من الشبكات الفرعية الخبيرة. الأعداد المنشورة لـ Large 3 هي حوالي 41 مليار مُعامل نشط (المعاملات التي تشارك عادةً لكل رمز) و675 مليار مُعامل إجماليًا عبر جميع الخبراء — تصميم متناثر لكنه ضخم يستهدف تحقيق التوازن بين كفاءة الحوسبة وسعة النموذج. كما يدعم نافذة سياق طويلة للغاية (مُوثَّقة عند 256k رمزًا) ومدخلات متعددة الوسائط (نص + صورة).
باختصار: إنه نموذج MoE يضم سعة هائلة إجمالًا (ليستوعب تخصصات متنوعة) لكنه لا يُجري الحساب إلا على مجموعة نشطة أصغر بكثير وقت الاستدلال — بهدف تقديم أداء «Frontier» بكفاءة أعلى من نموذج كثيف بحجم إجمالي مماثل.
البنية الأساسية: مزيج خبراء دقيق الحبيبات (MoE)
على مستوى عالٍ، يستبدل Mistral Large 3 بعض (أو العديد) من الطبقات الفرعية للتغذية الأمامية في المحوّل بطبقات MoE. تحتوي كل طبقة MoE على:
- خبراء كُثُر — شبكات فرعية مستقلة (عادةً كتل FFN). مجتمعة تُنتِج العدد الكبير جدًا من المُعاملات الإجمالي للنموذج (مثل مئات المليارات).
- موجِّه / شبكة بوَّابة — شبكة صغيرة تنظر إلى تمثيل الرمز وتقرر أي الخبير/الخبراء ينبغي أن يعالج ذلك الرمز. عادةً ما تختار موجِّهات MoE الحديثة فقط أفضل k خبراء (توجيه متناثر)، غالبًا k=1 أو k=2، للحفاظ على انخفاض الحساب.
- تفعيل متناثر — لكل رمز، لا يعمل سوى الخبراء المُختارين؛ والبقية يُتجاوزون. هنا يأتي مصدر الكفاءة: إجمالي المعاملات المخزَّنة >> المعاملات النشطة المحسوبة لكل رمز.
تسمّي Mistral تصميمها «MoE دقيق الحبيبات» للتأكيد على أن النموذج يمتلك العديد من الخبراء الصغار/المتخصصين ومخطط توجيه مُحسَّن ليتسع عبر العديد من وحدات GPU والسياقات الطويلة. النتيجة: سعة تمثيلية كبيرة جدًا مع إبقاء حساب كل رمز أقرب إلى نموذج كثيف أصغر بكثير،إجمالي المُعاملات:
- إجمالي المُعاملات: 675 مليار؛ مجموع جميع المعاملات المخزَّنة عبر كل الخبراء وبقية المحوّل. يشير هذا الرقم إلى السعة الإجمالية للنموذج (مدى المعرفة والتخصصات التي يمكن أن يحملها).
- المُعاملات النشطة: 41 مليار. مجموعة المعاملات التي تُستخدَم/تُحاسَب فعليًا في تمرير أمامي نموذجي، لأن الموجِّه يُفعِّل عددًا قليلًا فقط من الخبراء لكل رمز. هذا هو المقياس الأكثر ارتباطًا بحسابات ومستخدم الذاكرة أثناء الاستدلال لكل طلب. تذكر المواد العامة لـ Mistral ~41B معاملات نشطة؛ تعرض بعض صفحات النماذج أعدادًا مختلفة قليلًا لنسخ محددة (مثل 39B) — وقد يعكس ذلك اختلافات النسخ/الإرشاد أو التقريب.
إعدادات التدريب:
- تم التدريب من الصفر باستخدام 3000 وحدة NVIDIA H200؛
- تغطي البيانات لغات متعددة، ومهام متعددة، ووسائط متعددة؛
- تدعم إدخال الصور والاستدلال عبر اللغات.
جدول ميزات Mistral Large 3
| الفئة | وصف القدرات التقنية |
|---|---|
| الفهم متعدد الوسائط | يدعم إدخال الصور والتحليل، مما يمكّن من فهم المحتوى المرئي أثناء الحوار. |
| الدعم متعدد اللغات | يدعم بشكل أصيل أكثر من 10 لغات رئيسية (الإنجليزية، الفرنسية، الإسبانية، الألمانية، الإيطالية، البرتغالية، الهولندية، الصينية، اليابانية، الكورية، العربية، وغيرها). |
| دعم موجهات النظام | متسق للغاية مع تعليمات النظام والموجهات السياقية، ومناسب لسير عمل معقد. |
| قدرات الوكلاء | يدعم استدعاء الدوال الأصلي وإخراج JSON مُهيكل، مما يتيح الاستدعاء المباشر للأدوات أو التكامل مع الأنظمة الخارجية. |
| نافذة السياق | يدعم نافذة سياق طويلة جدًا 256K رمزًا، من بين الأطول في النماذج مفتوحة المصدر. |
| تموضع الأداء | أداء من مستوى الإنتاج مع فهم قوي للسياق الطويل ومخرجات مستقرة. |
| ترخيص مفتوح المصدر | Apache 2.0 License، قابل للاستخدام الحر لأغراض التعديل التجاري. |
نظرة عامة:
- الأداء قابل للمقارنة مع النماذج المغلقة المصدر الشائعة؛
- أداء ممتاز في المهام متعددة اللغات (خصوصًا خارج الإنجليزية والصينية)؛
- يمتلك قدرات فهم الصور واتباع التعليمات؛
- يوفّر نسخة أساسية (Base) ونسخة مضبوطة بالإرشاد (Instruct)، مع نسخة مُحسَّنة للاستدلال (Reasoning) قريبًا.
كيف يُؤدي Mistral Large 3 على المعايير القياسية؟
تُظهِر المعايير العامة المبكرة ولوحات الصدارة أن Mistral Large 3 يحتل مراتب عالية بين النماذج مفتوحة المصدر: تموضع LMArena في المرتبة #2 ضمن نماذج OSS غير الاستدلالية وذكر مراتب رفيعة على مجموعة متنوعة من المهام القياسية (مثل GPQA وMMLU وغيرها من مجموعات الاستدلال/المعرفة العامة).]()
نقاط القوة المُثبتة حتى الآن
- فهم المستندات الطويلة والمهام المُعزَّزة بالاسترجاع: يمنح الجمع بين السياق الطويل والسعة المتناثرة Mistral Large 3 ميزة في مهام السياق الطويل (أسئلة وأجوبة المستندات، التلخيص عبر مستندات كبيرة).
- المعرفة العامة واتباع التعليمات: في النسخ المضبوطة بالإرشاد يظهر Mistral Large 3 بقوة في العديد من مهام «المساعد العام» والالتزام بموجهات النظام.
- الطاقة ومعدل النقل (على عتاد مُحسَّن): يُظهر تحليل NVIDIA مكاسب مذهلة في كفاءة الطاقة ومعدل النقل عند تشغيل Mistral Large 3 على GB200 NVL72 مع تحسينات خاصة بـ MoE — وهي أرقام تنعكس مباشرة على التكلفة لكل رمز وقابلية التوسّع للمؤسسات.
كيف تصل وتستخدم Mistral Large 3؟
وصول سحابي مُستضاف (مسار سريع)
يتوفر Mistral Large 3 عبر عدة شركاء سحابة ومنصات:
- Hugging Face تستضيف بطاقات النماذج ومصنوعات الاستدلال (حِزم النماذج بما في ذلك نسخ الإرشاد ومصنوعات NVFP4 المحسّنة). يمكنك استدعاء النموذج عبر Hugging Face Inference API أو تنزيل المصنوعات المتوافقة.
- Azure / Microsoft Foundry أعلنت عن إتاحة Mistral Large 3 لأعباء عمل المؤسسات.
- NVIDIA نشرت بيئات تشغيل مُسرَّعة وملاحظات تحسين لعائلات GB200/H200 وشركاء مثل Red Hat نشروا تعليمات vLLM.
تتيح هذه المسارات المُستضافة البدء سريعًا دون الخوض في هندسة تشغيل MoE.
التشغيل محليًا أو على بُنيتك (متقدم)
يمكن تشغيل Mistral Large 3 محليًا أو على بنية خاصة، لكنّه ليس بسيطًا:
خيارات:
- مصنوعات Hugging Face + accelerate/transformers — يمكن استخدامها للنسخ الأصغر أو إذا كان لديك مزرعة GPU وأدوات تشظية مناسبة. تُدرج بطاقة النموذج قيودًا خاصة بالمنصة والتنسيقات المُوصى بها (مثل NVFP4).
- vLLM — خادم استدلال عالي الأداء مُحسَّن لـ LLMs الكبيرة والسياقات الطويلة؛ نشر شركاء مثل Red Hat أدلة لتشغيل Mistral Large 3 على vLLM لتحقيق كفاءة في معدل النقل وزمن الاستجابة.
- أكوام متخصصة (NVIDIA Triton / NVL72 / أنوية مخصصة) — مطلوبة لأفضل زمن استجابة/كفاءة على نطاق واسع؛ نشرت NVIDIA تدوينة حول تسريع Mistral 3 مع GB200/H200 وبيئات NVL72.
- Ollama / مديري الأجهزة الافتراضية المحلية — تُظهر أدلة المجتمع إعدادات محلية (Ollama، Docker) للتجربة؛ توقّع بصمات RAM/GPU كبيرة والحاجة لاستخدام نسخ النموذج أو نقاط تحقّق مُكمَّمة.
مثال: استدلال Hugging Face (python)
هذا مثال بسيط باستخدام Hugging Face Inference API (مناسب لنسخ الإرشاد). استبدل HF_API_KEY وMODEL بالقيم من بطاقة النموذج:
# مثال: استدعاء Mistral Large 3 عبر Hugging Face Inference APIimport requests, json, osHF_API_KEY = os.environ.get("HF_API_KEY")MODEL = "mistralai/Mistral-Large-3-675B-Instruct-2512"headers = {"Authorization": f"Bearer {HF_API_KEY}", "Content-Type": "application/json"}payload = { "inputs": "لخّص المستند التالي في 3 نقاط: <الصق نصك الطويل هنا>", "parameters": {"max_new_tokens": 256, "temperature": 0.0}}r = requests.post(f"https://api-inference.huggingface.co/models/{MODEL}", headers=headers, data=json.dumps(payload))print(r.json())
ملاحظة: للسياقات الطويلة جدًا (عشرات آلاف الرموز)، راجع توصيات المزوِّد بشأن البث/التجزئة وطول السياق المدعوم لنسخة النموذج.
مثال: بدء خادم vLLM (تصوري)
vLLM هو خادم استدلال عالي الأداء تستخدمه المؤسسات. أدناه تشغيل تصوري (راجع وثائق vLLM للخيارات ومسار النموذج ودعم MoE):
# مثال تصوري — عدِّل وفق بيئتك ومسار النموذجvllm --model-path /models/mistral-large-3-instruct \ --num-gpus 4 \ --max-batch-size 8 \ --max-seq-len 65536 \ --log-level info
ثم استخدم عميل vLLM الخاص بـ Python أو واجهة HTTP لإرسال الطلبات. بالنسبة لنماذج MoE يجب التأكد من أن بناء vLLM وبيئة التشغيل يدعمان أنوية الخبراء المتناثرة وتنسيق نقطة التحقق الخاصة بالنموذج (NVFP4/FP8/BF16).
أفضل الممارسات العملية لنشر Mistral Large 3
اختر النسخة والدقة المناسبتين
- ابدأ بنقطة تحقق مضبوطة بالإرشاد لسير عمل المساعد (تتضمن العائلة نسخة Instruct). استخدم النماذج الأساسية فقط عندما تخطط لإعادة الضبط أو تطبيق ضبطك الخاص على الإرشاد.
- استخدم نسخًا منخفضة الدقة مُحسَّنة (NVFP4، FP8، BF16) عندما تكون متاحة لعتادك؛ فهي توفّر مكاسب كفاءة ضخمة بحد أدنى من تدهور الجودة إذا كانت نقطة التحقق مُنتَجة ومُعتَمدة من بائع النموذج.
الذاكرة والتشظية والعتاد
- لا تتوقع تشغيل نقطة التحقق ذات 675B إجمالي معاملات على GPU تجاري واحد — رغم أن حوالي ~41B فقط نشطة لكل رمز، فإن نقطة التحقق الكاملة هائلة وتتطلب استراتيجيات تشظية مع مُسرِّعات ذاكرة عالية (فئة GB200/H200) أو تفريغًا مُنسَّقًا CPU+GPU.
- استخدم التوازي على مستوى النموذج + توزيع الخبراء: تستفيد نماذج MoE من توزيع الخبراء عبر الأجهزة لموازنة حركة التوجيه. اتبع إرشادات البائع بشأن تعيين الخبراء.
هندسة السياق الطويل
- قسّم واسترجع: في العديد من مهام المستندات الطويلة، اجمع بين مكوِّن استرجاع ونافذة 256k للحفاظ على زمن الاستجابة والتكلفة ضمن الحدود — أي استرجع الأجزاء ذات الصلة ثم مرّر سياقًا مُركَّزًا إلى النموذج.
- البث والنوافذ المنزلِقة: للتيارات المستمرة، حافظ على نافذة منزلقة وُلخِّص السياق الأقدم في ملاحظات مُكثَّفة للحفاظ على فعالية ميزانية انتباه النموذج.
هندسة الموجهات لنماذج MoE
- فضّل التعليمات الصريحة: تستجيب نقاط التحقق المضبوطة بالإرشاد بشكل أفضل للمهام الواضحة والأمثلة. استخدم أمثلة قليلة اللقطات في الموجه للخرج المُهيكل المعقد.
- سلسلة التفكير ورسائل النظام: في مهام الاستدلال، نظّم الموجهات بما يشجّع التفكير خطوة بخطوة وتحقّق من النتائج الوسيطة. لكن انتبه: تحفيز سلسلة التفكير يزيد استهلاك الرموز وزمن الاستجابة.
الخلاصة
Mistral Large 3 يمثل محطة مهمة في مشهد النماذج مفتوحة الأوزان: نموذج MoE بإجمالي 675B / ~41B نشط مع نافذة سياق 256k، وقدرات متعددة الوسائط، ووصفات نشر مُحسَّنة بالتعاون مع شركاء بنية تحتية كبار. يقدّم ملف أداء-مقابل-تكلفة جذابًا للمؤسسات التي يمكنها اعتماد تشغيل MoE وكومة العتاد، بينما يتطلب تقييمًا دقيقًا لمهام الاستدلال المتخصصة وجاهزية التشغيل.
للبدء، استكشف مزيدًا من النماذج (مثل Gemini 3 Pro) وقدراتها في Playground وراجع دليل API للحصول على تعليمات مُفصّلة. قبل الوصول، يُرجى التأكد من تسجيل الدخول إلى CometAPI والحصول على مفتاح API. تُقدّم CometAPI سعرًا أقل بكثير من السعر الرسمي لمساعدتك على الاندماج.
جاهز للانطلاق؟→ سجّل في CometAPI اليوم !
