Mistral AI ने 4 ऑगस्ट 2026 रोजी Shieldstral रिलीज केले, एक 3-अब्ज-पॅरामीटर ओपन-वेट सेफ्टी क्लासिफायर जो प्रशिक्षणादरम्यान मॉडेलमध्ये बेक केलेल्या हानी श्रेणींच्या निश्चित संचावर अवलंबून न राहता, अनुमानाच्या वेळी साध्या भाषेत लिहिलेल्या मॉडरेशन धोरणांविरुद्ध मजकूर आणि प्रतिमांना न्याय देतो. रिलीझ आज बहुतेक रेलिंग मॉडेल्स कसे तयार केले जातात यापासून एक लक्षणीय तात्विक प्रस्थान दर्शवते.

हे मॉडेल Apache 2.0 लायसन्स अंतर्गत Hugging Face वर उपलब्ध आहे, 12 भाषा कव्हर करते आणि सिंगल 16GB GPU वर चालते. युरोपियन AI क्षेत्र स्पर्धात्मक ओपन-वेट सिस्टीम तयार करत असल्याने, Shieldstral ने ब्रेकिंग एआय न्यूज मध्ये आणखी एक परिमाण जोडले आहे जे डेव्हलपर सुरक्षिततेकडे कसे पोहोचतात हे बदलत आहे.

शिल्डस्ट्रल कसे कार्य करते

बहुतेक रेलिंग मॉडेल्स प्रशिक्षणादरम्यान त्यांच्या वजनांमध्ये हानीच्या श्रेणींचे वर्गीकरण हार्ड-कोड करतात, याचा अर्थ त्यांना नवीन उत्पादनाच्या संदर्भाशी जुळवून घेण्यासाठी पूर्ण प्रशिक्षण चक्र आवश्यक असते. शिल्डस्ट्रल मूलभूतपणे भिन्न दृष्टीकोन घेते: मॉडरेशन पॉलिसी अनुमानाच्या वेळी इनपुटचा भाग म्हणून पुरवली जाते.

Unite.AI च्या विश्लेषणानुसार, यंत्रणा प्रत्येक मॉडरेशन टास्क बायनरी प्रश्नाच्या उत्तरापर्यंत कमी करते. प्रत्येक विनंतीचे तीन टॅग केलेले भाग असतात: मूल्यांकन संदर्भ आणि काटेकोरपणाची पातळी असलेले `` फील्ड, एकच होय/नाही प्रश्न असलेले `` फील्ड जसे की "हा आशय शारीरिक हिंसेला प्रोत्साहन देतो का?", आणि `<दस्तऐवज>` फील्ड ज्यामध्ये सामग्रीचा न्यायनिवाडा करणे शक्य आहे, जे प्रॉम्प्ट, प्रतिसाद, मजकूर किंवा मजकूर पर्याय असू शकते.

अनुमानानुसार, मॉडेल फक्त "होय" आणि "नाही" टोकनसाठी लॉगिट वाचते आणि सॉफ्टमॅक्स-त्यांना सतत स्कोअरमध्ये सामान्य करते, बायनरी निर्णयासाठी 0.5 वर थ्रेशोल्ड केले जाते. ते फॉर्म्युलेशन एकल चेकपॉईंट तत्पर वर्गीकरण, प्रतिसाद नियंत्रण, नकार शोध, आणि विषारीपणाचे निदान समान अंतर्निहित समस्येचे उदाहरण म्हणून शोषून घेऊ देते.

एक चेकपॉईंट, अनेक धोरणे

व्यावहारिक परिणाम लक्षणीय आहे. समान चेकपॉईंट सायबरसुरक्षा संशोधन साधन आणि मानसिक-आरोग्य प्लॅटफॉर्ममध्ये बदल न करता पूर्णपणे भिन्न मानकांविरुद्ध स्क्रीन करू शकते. ऑपरेटर होय/नाही प्रश्न लिहितो, मूल्यमापन संदर्भ आणि कडकपणाचे वर्णन करणारी सूचना पुरवतो आणि मॉडेल एका टोकन आउटपुटमधून कॅलिब्रेटेड सुरक्षा स्कोअर मिळवते.

हे धोरण-अनुकूल डिझाइन AI सुरक्षा प्रणाली तैनात करताना सततच्या निराशेपैकी एक संबोधित करते: खर्चिक पुनर्प्रशिक्षण न करता विशिष्ट वापर प्रकरणांमध्ये संयम तयार करण्यात अडचण. आर्थिक-सेवा चॅटबॉट, मुलांचे शैक्षणिक ॲप आणि सुरक्षा संशोधकांसाठी खुले मंच या सर्वांसाठी पूर्णपणे भिन्न रेलिंगची आवश्यकता आहे आणि शिल्डस्ट्रलचे लक्ष्य हे तिन्ही वजनाच्या एकाच सेटमधून हाताळण्याचे आहे.

आर्किटेक्चर आणि कामगिरी

शिल्डस्ट्रल हे मिस्ट्रलच्या लहान मल्टीमोडल मॉडेल मिनिस्ट्रल-3-3B वर तयार केले आहे, ज्यामध्ये पिक्सट्रल व्हिजन एन्कोडर प्रतिमा इनपुट हाताळते. मॉडेल कार्डमध्ये 32,000-टोकन कॉन्टेक्स्ट विंडोची सूची आहे आणि मिस्ट्रल म्हणतात की मल्टीमोडल मॉडरेशनवर नवीन अत्याधुनिक स्थिती सेट करताना हे मॉडेल मजकूर सुरक्षा बेंचमार्कवर त्याच्या आकारमानाच्या सातपट ओपन गार्ड मॉडेलशी जुळते.

हे 3B-पॅरामीटर मॉडेलसाठी मजबूत दावे आहेत आणि मिस्ट्रलने असामान्य प्रमाणात कागदपत्रांसह प्रकाशनास पाठिंबा दिला. प्रशिक्षण कृती आणि मूल्यमापनाचे वर्णन करणारा एक तांत्रिक अहवाल 28 जुलै 2026 रोजी arXiv वर पोस्ट करण्यात आला होता, त्यानंतर मिस्ट्रलच्या दस्तऐवजीकरणातील संपूर्ण मॉडेल कार्ड आणि स्वतःचे वजन, दोन्ही 4 ऑगस्ट रोजी प्रसिद्ध झाले.

स्थितीची टोकदार टीका

रेलिंग मॉडेल्स सामान्यत: कसे बांधले जातात याच्या टोकदार टीकाभोवती मिस्ट्रलने शिल्डस्ट्रल रिलीज तयार केले. कंपनीचा असा युक्तिवाद आहे की मॉडेल वेट्समध्ये हार्ड-कोडिंग हानी वर्गीकरणामुळे लवचिकता निर्माण होते, प्रत्येक वेळी जेव्हा धोरण बदलते किंवा नवीन उत्पादन लॉन्च होते तेव्हा विकासकांना लूप पुन्हा प्रशिक्षित करण्यास भाग पाडतात.

हे तांत्रिक युक्तिवादापेक्षा जास्त आहे; हे एक स्पर्धात्मक स्थिती विधान आहे. Apache-2.0-परवानाधारक मॉडेल रिलीझ करून जे स्वयं-होस्ट केले जाऊ शकते आणि पुनर्प्रशिक्षण न घेता रूपांतरित केले जाऊ शकते, मिस्ट्रल अशा विकसकांना लक्ष्य करीत आहे ज्यांना व्यवस्थापित सेवा किंवा मालकी वर्गीकरणाच्या ओव्हरहेडशिवाय त्यांच्या सुरक्षा स्टॅकवर नियंत्रण हवे आहे.

ओपन-वेट दृष्टीकोन देखील एंटरप्राइझ वापरकर्त्यांमधील वाढत्या चिंतेकडे लक्ष देते: बंद सुरक्षा प्रणालींची अपारदर्शकता. जेव्हा रेलिंग सामग्री अवरोधित करते, तेव्हा ऑपरेटर सहसा का तपासू शकत नाहीत. शिल्डस्ट्रलचे पारदर्शक, पॉलिसी-एज-इनपुट डिझाइन डेव्हलपरना नेमके कोणत्या नियमाने दिलेला निकाल दिला हे पाहू देते.

व्यापक ओपन-वेट्स मोमेंटम

संपूर्ण उद्योगात ओपन-वेट AI रिलीझमध्ये मोठ्या प्रमाणात वाढ होत असताना शिल्डस्ट्रलचे आगमन झाले. हे मॉडेल मिस्ट्रलच्या ओपन सिस्टीम्सच्या विस्तारित पोर्टफोलिओमध्ये सामील होते, कच्च्या फ्रंटियर स्केलऐवजी प्रवेशयोग्यता आणि विकसक अनुभवावर स्पर्धा करण्याच्या कंपनीच्या धोरणाला बळकटी देते.

AI ॲप्लिकेशन्स बनवणाऱ्या टीम्ससाठी, तृतीय-पक्ष API ला डेटा न पाठवता, सिंगल कंझ्युमर-ग्रेड GPU वर सक्षम मल्टीमोडल सेफ्टी क्लासिफायर चालवण्याची क्षमता, मजबूत मॉडरेशन तैनात करण्यासाठी खर्च आणि गोपनीयता अडथळा दोन्ही कमी करते. ते नियमन केलेल्या उद्योगांमध्ये दत्तक घेण्यास गती देऊ शकते जेथे डेटा रेसिडेन्सी आणि ऑडिटेबिलिटी गैर-निगोशिएबल आहे.

AI च्या पुढे रहा

शिल्डस्ट्रल सारखे ओपन-वेट सेफ्टी मॉडेल डेव्हलपर रेलिंगबद्दल कसे विचार करतात ते बदलत आहेत आणि नाविन्यपूर्णतेचा वेग कमी होण्याचे कोणतेही चिन्ह दिसत नाही. मॉडेल्स, टूल्स आणि फील्डमध्ये प्रगती करणाऱ्या संशोधनावर स्पष्ट, तथ्यात्मक अहवाल देण्यासाठी AI Buzz Wire चे अनुसरण करा.

अधिक एआय बातम्या वाचा →