Ranskalainen Mistral AI julkaisi 30. huhtikuuta Medium 3.5 -mallinsa, ja tällä kertaa painot tulevat Hugging Faceen muokatulla MIT-lisenssillä. Kyseessä on 128 miljardin parametrin tiivis malli, jonka konteksti-ikkuna on 256 000 tokenia. Mistralin oma vertailu asettaa mallin Claude Sonnet 4.5:n yläpuolelle agenttitehtävien testeissä.
128B tiiviinä, neljällä GPU:lla
Medium 3.5 on tiivis malli, ei MoE. Tämä erottaa sen DeepSeek V4:n asiantuntijaverkosta. Tiiviys tarkoittaa, että jokaisella inferenssikierroksella koko parametrijoukko on käytössä – ei aktivoituja asiantuntijoita, vaan suora 128 miljardin painopäivitys per tokeni. Mistralin ilmoituksen mukaan malli pyörii neljällä GPU:lla itsepalvelimella, mikä on poikkeuksellisen vähän tämän kokoluokan mallille.
Konteksti-ikkuna 256 000 tokenia on selvä loikka edellisestä Medium 3.1:stä. Vertailun vuoksi Anthropicin Claude Sonnet 4.5 tarjoaa vakiona 200 000 tokenia ja OpenAI:n GPT-5-pohjaiset mallit yltävät 400 000:een enterprise-tasolla. Mistralin etu on, että 256k on käytettävissä myös itsehostatussa ympäristössä, ei rajapinnan takana.
Päättelyn intensiteetti on säädettävissä per pyyntö. Sama malli vastaa nopeasti chat-viestiin tai upottautuu tunteja kestävään agenttitehtävään, kun ohjelmoija valitsee reasoning_effort-parametrin tason. Tämä jäljittelee OpenAI:n o-sarjan ratkaisua, mutta avoimena painona.
Bencheissä Claude Sonnet 4.5:n yläpuolella
SWE-Bench Verified -tulos on 77,6 prosenttia. Kyseessä on koodausagenttitesti, jossa malli ratkaisee aitoja GitHub-issueja avoimen lähdekoodin projekteissa. Mistralin oma vertailu asettaa Medium 3.5:n Devstral 2:n ja Qwen 3.5 397B A17B:n yläpuolelle, jälkimmäinen on aktiivisten parametrien määrältä yli kolminkertainen. τ³-Telecom-pisteet 91,4 viittaavat vahvaan agenttisuorituskykyyn moninvaiheisissa työnkuluissa.
Lukujen takana on pieni varoitusmerkki: vertailut ovat Mistralin itse julkaisemia, eivät kolmannen osapuolen vahvistamia. FCAI:n ja Aalto Reliable AI -ryhmän tutkijat ovat aiemmin huomauttaneet, että agenttibenchmarkit eivät vielä standardoi tehtäväkohtaista vaihtelua. Ennen kuin riippumattomat ajot vahvistavat numerot, kannattaa pitää maltti.
Etäagentit pilvessä
Tuotepuolella suurin askel on Mistral Viben siirtyminen pilveen. Aiemmin Vibe-CLI ajoi koodausagentteja paikallisesti, mikä rajoitti pitkäkestoisia tehtäviä kehittäjän koneen kapasiteettiin. Nyt sama sessio voidaan teleportata pilvi-sandboxiin, joka pyörii rinnakkain useissa eristetyissä ympäristöissä.
Le Chatiin tuli Work-tila, jossa monivaiheiset tutkimus- ja analyysitehtävät pyörivät taustalla. Käyttäjä näkee jokaisen agentin toimenpiteen ja hyväksyy arkaluonteiset operaatiot ennen suoritusta. Integraatiot ulottuvat GitHubiin, Linearille, Jiraan, Sentryyn, Slackiin ja Teamsiin. Tämä on suora vastine Anthropicin Claude Codelle ja OpenAI:n Codex-agenteille, mutta toisin kuin niissä, koko mallin painot voi ajaa omalla raudalla.
Avoimet painot ja Suomen julkishallinto
Medium 3.5 on Mistralin selkein viesti tähän asti: avoin malli voi olla kärkikilpailija. Anthropic ja OpenAI ovat valinneet päinvastaisen tien, ja DeepSeek V4 julkaisi äskettäin oman MoE-mallinsa avoimena lähinnä Aasian markkinoille suunnattuna. Mistralin valinta sitoa avoimet painot eurooppalaiseen lainsäädäntöön asettaa AI-suvereniteetille konkreettisen testin: voiko julkishallinto luottaa malliin, jonka painot ovat tarkasteltavissa ja jota voi ajaa omassa konesalissa?
Suomelle kysymys ei ole akateeminen. Valtiokonttorin ja DVV:n viime vuoden AI-hankkeet törmäsivät siihen, että suljetut rajapinnat eivät täytä julkishallinnon datapaikallisuusvaatimuksia. Mistralin 128B malli mahtuu neljälle H200-GPU:lle, mikä tarkoittaa, että suomalainen ministeriö voi pyörittää sitä CSC:n LUMI-ympäristössä ilman datan poistumista EU-alueelta. Kontaktoin huomenna FCAI:n tutkijoita Aaltoon kysyäkseni, miten he arvioivat Mistralin kilpailukykyä konkreettisissa hallinnon käyttötapauksissa, kuten päätöstekstien koneluvussa.
Mitä tämä tarkoittaa kehittäjälle?
Avoin painorakenne tarkoittaa käytännössä, että suomalainen ohjelmistotalo voi rakentaa Medium 3.5:n päälle omat agenttinsa ilman rajapintakustannusten ennakoimattomuutta. Self-hosting neljällä GPU:lla maksaa kuukaudessa noin 8 000–12 000 euroa pilvipalveluna, mikä jää alle saman volyymin ajamisesta Claude Sonnet 4.5:n rajapinnan kautta intensiivisillä agenttiajoilla. Pieni konsulttitoimisto, joka käyttäisi muutoin OpenAI:n tai Anthropicin tuotteita kuukausilaskulla, voi nyt valita välimuodon: oma konesali, oma data, eurooppalainen vastuusuhde.
Vastine DeepSeekille
Mistralin julkaisuajoitus ei ole sattumaa. DeepSeek V4 julkaistiin äskettäin, ja sen MoE-arkkitehtuuri vei huomion. Mistral valitsi tiiviin mallin ja avoimet painot vastineeksi, vedoten siihen, että käytännön deploymentissa tiivis 128B on usein helpompi hallita kuin 397B MoE. Seuraavat kuukaudet näyttävät, riittääkö avoin painorakenne saamaan Anthropicin ja OpenAI:n vastaamaan, vai jakautuvatko markkinat lopullisesti suljettuun pilveen ja avoimeen rautaan.
