Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
mistral11. Dezember 2023 · Q001046

La Plateforme | Mistral AI

mistral.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Mistral stellte eine Beta-Plattform mit drei Chat-Endpunkten und einem Einbettungsdienst vor. Die Modelle erreichen laut Unternehmensangaben 7,6 bis 8,6 Punkte auf MT-Bench; der Bericht nennt auch einen MTEB-Wert für den Einbettungsdienst, weist aber auf den Beta-Status und noch bestehende Unausgereiftheiten hin. Konkrete Zahlen des angekündigten Modellvergleichs fehlen im Text.

Mittel

Der Bericht beschreibt den Start einer Betaversion von Mistral AI’s Plattform für Entwickler. Zum Angebot gehören drei Chat-Endpunkte und ein Einbettungsdienst, jeweils mit unterschiedlichen Leistungs- und Preisprofilen. Mistral-tiny nutzt Mistral 7B Instruct v0.2, ist laut Bericht auf Englisch beschränkt und erreicht 7,6 Punkte auf MT-Bench. Mistral-small verwendet Mixtral 8x7B, unterstützt fünf europäische Sprachen und Code und erzielt demnach 8,3 Punkte. Mistral-medium basiert auf einem getesteten Prototyp, unterstützt dieselben Sprachen und Code und erreicht laut Unternehmen 8,6 Punkte. Ein angekündigter Benchmarkvergleich ist im Text nicht mit konkreten Zahlen wiedergegeben.

Mistral beschreibt die Modelle als auf Anweisungsbefolgung, Steuerbarkeit und Bedienbarkeit optimiert. Mistral-embed liefert Vektoren mit 1024 Dimensionen und erzielt nach Unternehmensangaben 55,26 auf MTEB. Für die API gibt es Python- und JavaScript-Bibliotheken sowie System-Prompts zur stärkeren Steuerung der Moderation. Die Registrierung war während des schrittweisen Kapazitätsausbaus offen; der Bericht räumt jedoch mit der Beta verbundene Unsauberkeiten ein. Leistungswerte und Qualitätsaussagen stammen von Mistral; unabhängige Bestätigung wird nicht angeführt.

Ausführlich lesen

Der Bericht stellt Mistral AI bei der Einführung einer Betaversion seiner Plattformdienste vor. Das Angebot richtet sich an Entwicklerinnen und Entwickler, die generative Modelle einsetzen, anpassen und in Produktionsumgebungen bereitstellen wollen. Zum Start umfasst die Plattform laut Bericht drei Chat-Endpunkte zur Textgenerierung anhand von Anweisungen sowie einen Endpunkt für Einbettungen. Die Dienste unterscheiden sich demnach in ihrem Verhältnis von Leistung und Preis.

Bei den generativen Endpunkten verwenden „mistral-tiny“ und „mistral-small“ zwei bereits veröffentlichte offene Modelle; „mistral-medium“ greift auf ein Prototypmodell zurück, das Mistral in einer bereitgestellten Umgebung testet. Das Unternehmen beschreibt seine Modelle als auf Steuerbarkeit und Benutzerfreundlichkeit ausgerichtet. Dafür nennt es effizientes Fine-Tuning und direkte Präferenzoptimierung. Die Basismodelle seien auf Daten aus dem offenen Web vortrainiert und anschließend anhand von Annotationen auf Anweisungen abgestimmt worden.

„Mistral-tiny“ wird als kostengünstigster Endpunkt bezeichnet und verwendet Mistral 7B Instruct v0.2. Er funktioniere ausschließlich auf Englisch und erreiche laut Mistral 7,6 Punkte auf MT-Bench. „Mistral-small“ stellt dem Bericht zufolge Mixtral 8x7B bereit. Genannt werden Englisch, Französisch, Italienisch, Deutsch, Spanisch und Programmiercode als unterstützte Bereiche sowie 8,3 Punkte auf MT-Bench. „Mistral-medium“ wird als qualitativ stärkster Endpunkt beschrieben. Das Prototypmodell unterstütze dieselben fünf Sprachen und Code und erreiche 8,6 Punkte auf MT-Bench. Mistral behauptet außerdem, es gehöre bei standardisierten Benchmarks zu den führenden bereitgestellten Modellen. Ein Vergleich der Basismodelle mit dem Endpunkt eines Wettbewerbers wird angekündigt und durch eine Abbildung angedeutet; konkrete Vergleichswerte sind im vorliegenden Text jedoch nicht enthalten.

Der Einbettungsdienst „Mistral-embed“ erzeugt Vektoren mit 1024 Dimensionen und sei auf Informationsabruf ausgelegt. Als Ergebnis nennt Mistral einen Retrieval-Wert von 55,26 auf MTEB. Die API orientiere sich an einer verbreiteten Chat-Schnittstelle; Python- und JavaScript-Bibliotheken sollen den Zugriff erleichtern. System-Prompts können laut Bericht dazu dienen, die Moderation von Modellantworten für Anwendungen mit entsprechenden Anforderungen stärker zu steuern.

Zum Start konnte sich grundsätzlich jede Person für die API registrieren, während Mistral die Kapazität schrittweise ausbauen wollte. Der Bericht warnt vor noch unausgereiften Ecken während der Stabilisierung und stellt eine vollständig selbst bedienbare Verfügbarkeit als späteres Ziel dar. NVIDIA wird für Unterstützung bei TensorRT-LLM und Triton sowie bei der Kompatibilität von Sparse Mixture of Experts mit TRT-LLM gewürdigt. Die genannten Leistungswerte und Qualitätsvergleiche sind Unternehmensangaben; unabhängige Prüfungen oder zusätzliche Methodenangaben enthält der Bericht nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung beruht auf dem Berichtstext allein. Der Bericht ist eine Produktankündigung des Anbieters, daher stammen alle Leistungswerte von Mistral selbst, und der Modellvergleich liegt nur als Bild vor und ist im Text nicht mit Zahlen belegt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Zusammenarbeit mit NVIDIA bei TensorRT-LLM und Triton, die ein Sparse-Mixture-of-Experts-Modell ermöglichte
  • Das Vortraining auf Daten aus dem offenen Web und die Instruktions-Feinabstimmung mit Annotationen
  • Die Alignment-Verfahren (effiziente Feinabstimmung, Direct Preference Optimization), auf denen die Modelle laut Bericht beruhen
  • Die Aussage, dass mistral-medium unter den führenden verfügbaren Modellen nach Standard-Benchmarks liegt

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %Hintergrund, keine Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 28 %gleiches Oberthema, hilft nicht
    • Luna 100 %kein Bezug
    • JEV 38 %einzelne zitierbare Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 41 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %einzelne zitierbare Belege
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 57 %einzelne zitierbare Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 25 %nur am Rande erwähnt
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 52 %einzelne zitierbare Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 36 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 61 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht

Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →