「欧洲版 OpenAI」发布首个多模态模型，却遭大佬打假，公司估值已达 420 亿

没有任何预告，法国 AI 初创 Mistral AI 昨晚突然发布了旗下首个多模态模型。

该模型名为 Pixtral 12B，拥有 120 亿个参数，大小约为 24GB， 基于 Mistral 的文本模型 Nemo 12B 构建。

它能够回答与给定 URL 或 base64 编码图像相关的任意数量、任意大小的图片问题。

在 Mistral 的闭门会议上，官方还透露了关于 Pixtral 12B 的更多细节。

从网上流传的多项基准测试结果来看，Pixtral 12B 的性能几乎全面碾压了 Phi-3 vision、Qwen2-VL 7B、Claude 3 Haiku、LLaVA-OV 7B。

但很快， HuggingFace 的技术主管 Philipp Schmid 指出这些数据可能不太对劲。

他在 X 平台发文称，Pixtral 12B 的实际跑分并不如 Qwen 2 7B VL，而且 Qwen 2 7B VL 的参数规模还小了 40%。

网友还发现，比较的图表使用的竟然是 Qwen 7B（不具备多模态能力）而非 Qwen2-VL，似乎再次证明了这个世界是个巨大的草台班子。

Mistral 开发者关系主管 Sophia Yang 表示，Pixtral 12B 很快将在 Mistral 的聊天机器人 Le Chat 和 API 服务平台上提供测试。

在闭门会议上，其实 Mistral AI 还展示了 Pixtral 12B 的多模态能力。

例如，依靠 OCR 能力，Pixtral 12B 可以轻松识别出图片中的所有内容，甚至复杂的数学符号也不在话下，即便面对潦草的手写草稿，它也能拿捏到位。

此外，Pixtral 12B 看图说话的能力也很强，给它一张密密麻麻、标注不同地区的投资分布图，它不仅能摘录关键信息，还能以图表的形式分门别类地罗列并生成图表。

可以看出，它的处理效率甚至远超了大多数打工人。

针对户外的照片，Pixtral 12B 能详细描述照片中的各种动物，甚至会有条不紊地介绍背景中的建筑、树木和蓝天，字里行间也充满条理性。

并且，无论是识别和总结不同国家 GDP 的照片、分析 DNA 结构，还是从手稿中直接生成代码、解决数学难题，亦或是将收据信息提取成 JSON 格式，Pixtral 12B 都游刃有余。

Mistral AI 开发者关系主管 Sophia Yang 强调，Pixtral 12B 的独特之处在于，它能原生支持任意数量和大小的图像。

在基础功能方面，Pixtral 12B 支持 128K 的上下文长度。

HuggingFace 内部员工也分享了更多有关 Pixtral 12B 的技术细节：

先进架构设计：40 层网络、14336 隐藏维度、32 个注意力头

视觉处理能力：专用视觉编码器，支持 1024x1024 图像大小，配备 24 个隐藏层用于高级图像处理

词汇量：131072 tokens，支持更细致语言理解与生成

使用 GeLU (用于视觉适配器) 和 2D RoPE (用于视觉编码器)

Patch 大小：16×16 像素

在 mistral_common 中支持 tokenizer

模型权重：bf16

值得一提的是，英伟达创始人黄仁勋也出席了该会议，并与 Mistral 创始人 Arthur Mensch 进行了交流。

网上流传的交流片段并不完整。具体来说，老黄表示，英伟达将继续优化 GPU 的设计与性能，特别是推理技术。

他指出，推理技术目前面临的挑战很大，英伟达 90% 的工程师都在专注于推理的改进，并希望通过 NVLink 提升低延迟和高吞吐量的推理性能。

老黄还提到，他期望未来能有数百万智能体作为数字员工自动运营公司等等等等。

三个月前，Mistral AI 刚刚完成了一轮由 General Catalyst 领投的 6.45 亿美元 B 轮融资，这也使得该公司估值达到 60 亿美元。

此前，Mistral AI 的运营策略是发布免费开源模型，并通过提供模型托管服务和为企业客户提供咨询来盈利。

不过，在此前被全网下架的视频中，前 Google CEO Eric Schmidt 曾提到：

AI 行业的成本太高，开源负担不起，自己投资的法国大模型 Mistral 将会转为闭源路线了，不是所有公司都愿意且有能力像 Meta 一样

如此一来，AI 开源领域或将损失一员大将。

附上磁力链接：

magnet:?xt=urn:btih:7278e625de2b1da598b23954c13933047126238a&dn=pixtral-12b-240910

HuggingFace 地址：

https://huggingface.co/mistral-community/pixtral-12b-240910