--- title: "Mistral AI (TH)" source: "https://systems-analysis.info/int/Mistral_AI_(TH)" wiki: "systems-analysis.info/int" article: "Mistral_AI_(TH)" language: "th" categories: - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" - "Category:Thai" revision_id: 4411 wiki_created_at: 2026-09-06T23:34:47Z wiki_modified_at: 2026-09-06T23:34:47Z downloaded_at: 2026-09-07T23:02:31Z --- # Mistral AI (TH) **Mistral AI** — บริษัทฝรั่งเศสด้านปัญญาประดิษฐ์ที่เชี่ยวชาญในการพัฒนาโมเดลภาษาขนาดใหญ่ (LLM) ก่อตั้งขึ้นในเดือนเมษายน ค.ศ. 2023 บริษัทได้กลายเป็นหนึ่งในผู้เล่นสำคัญในตลาดยุโรปและตลาดโลกอย่างรวดเร็ว โดยวางตำแหน่งตัวเองเป็นทางเลือกแทนโมเดลแบบปิด (proprietary) จากบริษัทเทคโนโลยียักษ์ใหญ่ของอเมริกา จุดเด่นสำคัญของแนวทาง Mistral AI คือการมุ่งเน้นสร้างโมเดลประสิทธิภาพสูงที่เปิดเผยน้ำหนัก (open-weight) (ส่วนใหญ่ภายใต้ลิขสิทธิ์ Apache 2.0) ซึ่งช่วยส่งเสริมการเข้าถึงเทคโนโลยี AI ขั้นสูงอย่างเท่าเทียม บริษัทเป็นที่รู้จักในด้านนวัตกรรมทางสถาปัตยกรรม ได้แก่ **Grouped-Query Attention (GQA)**, **Sliding Window Attention (SWA)** และ **Sparse Mixture-of-Experts (MoE)** ซึ่งช่วยให้โมเดลบรรลุประสิทธิภาพสูงในขนาดและค่าใช้จ่ายในการคำนวณที่ค่อนข้างต่ำ ## ประวัติ บริษัท Mistral AI ก่อตั้งขึ้นในกรุงปารีสเมื่อเดือนเมษายน ค.ศ. 2023 โดยนักวิจัยชาวฝรั่งเศสสามคน ได้แก่ **อาร์ทูร์ มองช์** (Arthur Mensch), **กีโยม ล็องปล์** (Guillaume Lample) และ **ติโมเต ลาครัว** (Timothée Lacroix) ผู้ก่อตั้งทั้งสามคนเคยทำงานด้านโมเดลภาษาขนาดใหญ่ในบริษัทชั้นนำระดับโลกมาก่อน โดย Mensch เป็นนักวิจัยที่ Google DeepMind ส่วน Lample และ Lacroix ทำงานด้าน LLM ที่ Meta AI พันธกิจของบริษัทคือทำให้ความก้าวหน้าของ AI เข้าถึงได้สำหรับทุกคน โดยส่งเสริมความเปิดกว้าง ความร่วมมือ และความโปร่งใส แนวทางนี้ช่วยให้ Mistral AI ดึงดูดเงินลงทุนจำนวนมากได้อย่างรวดเร็ว: - **มิถุนายน 2023:** €105 ล้าน ในรอบ seed ซึ่งสร้างสถิติใหม่สำหรับยุโรป - **ธันวาคม 2023:** €385 ล้าน ในรอบ Series A หลังจากนั้นมูลค่าบริษัทเกิน \$2 พันล้าน และได้รับสถานะ "ยูนิคอร์น" - **กุมภาพันธ์ 2024:** ประกาศความร่วมมือเชิงกลยุทธ์กับ Microsoft ซึ่งรวมถึงการลงทุนมูลค่า \$16 ล้าน และการนำโมเดล Mistral ไปใช้บน cloud Azure - **มิถุนายน 2024:** รอบการระดมทุนใหม่มูลค่า €600 ล้าน ส่งผลให้มูลค่าบริษัทอยู่ที่ ~€5.8 พันล้าน ทำให้เป็นหนึ่งในสตาร์ทอัพ AI ที่มีมูลค่าสูงที่สุดในโลก ## คุณลักษณะทางเทคนิคของสถาปัตยกรรม โมเดลของ Mistral AI อยู่บนพื้นฐานสถาปัตยกรรม transformer แต่รวมนวัตกรรมสำคัญหลายอย่างที่มุ่งเพิ่มประสิทธิภาพและลดค่าใช้จ่ายในการคำนวณ ### Transformer ที่ได้รับการปรับปรุง (Mistral 7B) โมเดลแรกของบริษัท **Mistral 7B** นำเสนอการปรับปรุงสถาปัตยกรรมที่สำคัญสองประการ: - **Sliding Window Attention (SWA)** (การ attention ด้วยหน้าต่างเลื่อน): แทนที่แต่ละ token จะโต้ตอบกับ token ก่อนหน้าทั้งหมด (ซึ่งมีความซับซ้อนแบบกำลังสอง) SWA จำกัดการ attention ให้อยู่ในหน้าต่างขนาดคงที่ (เช่น 4,096 token) ทำให้สามารถประมวลผลลำดับที่ยาวมาก (ถึง 32,000 token และมากกว่า) ด้วยความซับซ้อนเชิงคำนวณแบบเส้นตรง ซึ่งเร่งความเร็วในการประมวลผลได้อย่างมีนัยสำคัญ - **Grouped-Query Attention (GQA)** (การ attention แบบจัดกลุ่มตาม query): การปรับปรุงกลไก multi-head attention มาตรฐาน GQA ใช้จำนวน "หัว" สำหรับ keys และ values น้อยกว่า queries (เช่น ในอัตราส่วน 8:1) ซึ่งช่วยลดความต้องการหน่วยความจำและเร่งความเร็วในการสร้างผลลัพธ์ (inference) ได้อย่างมีนัยสำคัญโดยไม่สูญเสียคุณภาพมากนัก ### Sparse Mixture-of-Experts (MoE) ในโมเดลซีรีส์ **Mixtral** (เช่น *Mixtral 8x7B*, *Mixtral 8x22B*) ใช้สถาปัตยกรรม **Sparse Mixture-of-Experts** (ส่วนผสมของผู้เชี่ยวชาญแบบกระจาย) แทนที่จะใช้เลเยอร์ neural network แบบหนาแน่นเดียว จะใช้เครือข่ายย่อย "ผู้เชี่ยวชาญ" หลายตัวแบบขนาน สำหรับแต่ละ token ที่รับเข้า เลเยอร์ *gating* พิเศษ (router) จะเลือกชุดผู้เชี่ยวชาญจำนวนน้อยแบบไดนามิกเพื่อเปิดใช้งาน (โดยทั่วไป 2 จาก 8) วิธีนี้ช่วยให้สร้างโมเดลที่มีจำนวน parameter รวมมหาศาล (Mixtral 8x22B มี 141 พันล้าน parameter) แต่เมื่อประมวลผลแต่ละ token จะใช้เพียงส่วนเล็กน้อย (~39 พันล้าน) ผลลัพธ์คือโมเดลบรรลุคุณภาพที่เทียบได้กับโมเดลแบบ "หนาแน่น" ขนาดใหญ่กว่ามาก แต่มีความเร็วและค่าใช้จ่ายใน inference เทียบเท่าโมเดลขนาดเล็กกว่าอย่างมีนัยสำคัญ ### สถาปัตยกรรม Mamba (SSM) ในปี ค.ศ. 2024 Mistral AI นำเสนอโมเดลทดลอง **Codestral Mamba** ที่สร้างบนสถาปัตยกรรม **Mamba (Selective State-Space Model)** ต่างจาก transformer ตรงที่ Mamba ใช้กลไก recurrent ที่อิงกับโมเดลปริภูมิสถานะ ข้อดีสำคัญ ได้แก่: - **ความซับซ้อนเชิงเส้นตรง** ตามความยาวของลำดับ ทำให้เร็วอย่างยิ่งในบริบทที่ยาว - **บริบท "อนันต์" ในทางทฤษฎี** ที่จำกัดเพียงหน่วยความจำที่มีอยู่เท่านั้น - **ความเร็ว inference สูง** เมื่อเทียบกับ transformer ที่เทียบเท่ากัน ## ลำดับเวลาและโมเดล
การเปิดตัวโมเดลหลักของ Mistral AI
เดือน / ปี โมเดล จำนวน Parameter (พันล้าน) คุณลักษณะสำคัญ ลิขสิทธิ์
09 / 2023 Mistral 7B 7.3 สถาปัตยกรรม GQA + SWA; บริบท 32k; เหนือกว่า Llama 2 13B ในทุก benchmark Apache 2.0
12 / 2023 Mixtral 8x7B 46.7 (เปิดใช้งาน 12.9) โมเดล MoE แบบเปิดรุ่นแรก; คุณภาพระดับ GPT-3.5 Apache 2.0
02 / 2024 Mistral Small / Large ? โมเดล "รุ่นเล็ก" และ flagship ที่เข้าถึงได้ผ่าน API Small: Apache 2.0,
Large: Research
04 / 2024 Mixtral 8x22B 141 (เปิดใช้งาน 39) บริบท 64k; คุณภาพระดับ SOTA ในบรรดาโมเดล open-source ณ เวลาที่เปิดตัว Apache 2.0
05 / 2024 Codestral 22B 22 โมเดลเฉพาะทางสำหรับการสร้างโค้ด (80+ ภาษา) Non-Production
07 / 2024 Mathstral 7B / Nemo 12B 7 / 12 โมเดลเฉพาะทางสำหรับคณิตศาสตร์และความสามารถหลายภาษา Apache 2.0
07 / 2024 Codestral Mamba 7.3B 7.3 โมเดลทดลองสำหรับโค้ดบนสถาปัตยกรรม Mamba; บริบท 256k+ Apache 2.0
09 / 2024 Pixtral 12B 12 โมเดล multimodal แบบเปิดรุ่นแรก (ข้อความ + รูปภาพ) Apache 2.0
11 / 2024 Mistral Large 24.11 ~100+ (ประมาณการ) โมเดล flagship ที่อัปเดตแล้วพร้อม reasoning ที่ดีขึ้น Research
01 / 2025 Mistral Small 3 24 ปรับให้เหมาะสำหรับ latency ต่ำ (ถึง 150 token/วินาที); คุณภาพระดับโมเดล 70B Apache 2.0
05 / 2025 Mistral Medium 3 ? โมเดล multimodal ระดับ frontier (ข้อความ, รูปภาพ) พร้อมบริบท 128k Proprietary
05 / 2025 Devstral 24B 24 โมเดล "agentive" สำหรับการพัฒนาซอฟต์แวร์แบบอัตโนมัติ; 46.8% บน SWE-Bench Apache 2.0
การเปิดตัวโมเดลหลักของ Mistral AI ## การเปรียบเทียบกับคู่แข่ง - **เทียบกับ Llama (Meta):** โมเดล Mistral มีประสิทธิภาพเหนือกว่าโมเดล Llama ที่มีขนาดใกล้เคียงหรือแม้แต่ใหญ่กว่าอย่างสม่ำเสมอ Mistral 7B เหนือกว่า Llama 2 13B ส่วน Mixtral 8x7B เหนือกว่า Llama 2 70B ความแตกต่างหลักคือลิขสิทธิ์: Mistral ใช้ Apache 2.0 แบบอนุญาตอย่างเต็มที่ ในขณะที่ลิขสิทธิ์ Llama มีข้อจำกัด - **เทียบกับ GPT (OpenAI):** โมเดล flagship ของ OpenAI (GPT-4) ยังคงเป็นผู้นำในงานที่ซับซ้อนที่สุด แต่โมเดลเปิดของ Mistral (เช่น Mixtral 8x7B) แสดงคุณภาพที่เทียบได้กับ GPT-3.5 Mistral มอบทางเลือกแบบเปิดที่ให้ผู้ใช้นำโมเดลไปใช้งานในเครื่องท้องถิ่นและควบคุมได้อย่างเต็มที่ - **เทียบกับ Claude (Anthropic):** โมเดล Claude เป็นที่รู้จักในด้านหน้าต่าง context ขนาดใหญ่และการมุ่งเน้นด้านความปลอดภัย Mistral นำเสนอโมเดลเปิดที่มี context เทียบได้หรือมากกว่า ในด้านประสิทธิภาพบน benchmark มาตรฐาน (LMSys Arena) โมเดล Medium 3 เหนือกว่า Claude 3 Opus ## การประยุกต์ใช้และระบบนิเวศ ### ผลิตภัณฑ์ - **Le Chat:** ผู้ช่วย chat สาธารณะ (เว็บ, iOS/Android) ที่แสดงความสามารถของโมเดล Mistral รวมถึงการค้นหาเว็บและการสร้างรูปภาพ - **La Plateforme:** แพลตฟอร์มองค์กรที่ให้เข้าถึงโมเดล Mistral ทั้งหมดผ่าน API ช่วยให้บริษัทต่าง ๆ สามารถผสาน LLM เข้ากับผลิตภัณฑ์ของตนได้ ### ลูกค้าองค์กร เทคโนโลยีของ Mistral ถูกนำไปใช้โดยบริษัทขนาดใหญ่ อาทิ **BNP Paribas** (การเงิน), **CMA CGM** (โลจิสติกส์), **Zalando** (e-commerce) และหน่วยงานภาครัฐ **France Travail** สำหรับลูกค้าในยุโรป ความสามารถในการนำโมเดลไปใช้งานในเครื่องท้องถิ่นเพื่อให้สอดคล้องกับ GDPR ถือเป็นสิ่งสำคัญ ### ชุมชน Open-Source ด้วยลิขสิทธิ์แบบเปิด โมเดล Mistral ได้กลายเป็นรากฐานสำหรับโปรเจกต์หลายพันรายการบนแพลตฟอร์มอย่าง Hugging Face ชุมชนมีการ fine-tuning โมเดลอย่างแข็งขันเพื่อแก้ไขปัญหาเฉพาะทาง โดยสร้างเวอร์ชันสำหรับชีววิทยา (BioMistral), นิติศาสตร์ (SaulLM-7B) และการแปลเป็นภาษาต่าง ๆ (เช่น Polish Bielik 7B) ## การออกใบอนุญาต | ซีรีส์โมเดล | ลิขสิทธิ์ | ข้อจำกัด | |----------------------------------------------------------------|--------------------------------|---------------------------------------| | โมเดลพื้นฐาน, Small, Mixtral, Mathstral, Nemo, Pixtral, Devstral | Apache 2.0 | ใช้งานเชิงพาณิชย์ได้อย่างเสรี | | Codestral 22B | Non-Production License | ห้ามใช้งานเชิงพาณิชย์โดยไม่มีข้อตกลงแยกต่างหาก | | ซีรีส์ Large, ซีรีส์ Medium | Mistral Research / Proprietary | เข้าถึงได้เฉพาะผ่าน cloud API เท่านั้น | ## ลิงก์ - เอกสารทางการของ Mistral AI - โปรไฟล์ Mistral AI บน Hugging Face ## บรรณานุกรม - Ainslie, J. et al. (2023). *GQA: Training Generalized Multi‑Query Transformer Models from Multi‑Head Checkpoints*. arXiv:2305.13245. - Beltagy, I.; Peters, M. E.; Cohan, A. (2020). *Longformer: The Long‑Document Transformer*. arXiv:2004.05150. - Dao, T. et al. (2022). *FlashAttention: Fast and Memory‑Efficient Exact Attention with IO‑Awareness*. arXiv:2205.14135. - Ding, Y. et al. (2024). *LongRoPE: Extending LLM Context Window Beyond 2 Million Tokens*. arXiv:2402.13753. - Fedus, W.; Zoph, B.; Shazeer, N. (2021). *Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity*. arXiv:2101.03961. - Gu, A.; Dao, T. (2023). *Mamba: Linear‑Time Sequence Modeling with Selective State Spaces*. arXiv:2312.00752. - He, L. et al. (2025). *Scaling Instruction‑Tuned LLMs to Million‑Token Contexts via Hierarchical Synthetic Data Generation*. arXiv:2504.12637. - Jiang, A. Q. et al. (2023). *Mistral 7B*. arXiv:2310.06825. - Jiang, A. Q. et al. (2024). *Mixtral of Experts*. arXiv:2401.04088. - Peng, B. et al. (2023). *YaRN: Efficient Context Window Extension of Large Language Models*. arXiv:2309.00071. - Shazeer, N. (2019). *Fast Transformer Decoding: One Write‑Head is All You Need*. arXiv:1911.02150.