Mistral AI’dan ‘Mistral Large 4’ Hamlesi: %93 Cybench, %82 Zafiyet Yamalama ve Açık Ağırlıklı Egemen Siber Savunma Mimarisi

1 Trilyon Parametreli Açık Ağırlıklı Siber Savunma: Mistral Large 4 ('Le Chonk') Neyi Değiştiriyor?

Avrupa merkezli yapay zeka laboratuvarı Mistral AI, 6 Ekim 2026'da araştırma önizlemesini sunduğu amiral gemisi Mistral Large 4 (mühendislik topluluğunda bilinen adıyla "Le Chonk") modelinin tam açık ağırlıklı sürümünü 29 Ekim 2026 itibarıyla Hugging Face üzerinde yayımladı. Üç haftalık yoğun pekiştirmeli öğrenme (Reinforcement Learning - RL) sonrası eğitim aşamasından geçen model; özellikle savunma amaçlı siber güvenlik (defensive cybersecurity), gerçek dünya zafiyetlerinin yeniden üretilip yamalanması ve ajan tabanlı yazılım mühendisliği (agentic coding) disiplinlerinde açık ağırlıklı modellerin sınırlarını yeniden tanımlıyor.

Yalnızca kapalı API'ler üzerinden sunulan ABD merkezli öncü modellerin aksine FP8 ve NVFP4 nicemleme (quantization) formatlarıyla doğrudan indirilebilir olarak dağıtılan Mistral Large 4, regüle edilen finans kurumları, savunma sanayii ve kamu altyapıları için hava boşluklu (air-gapped) veri merkezlerinde çalıştırılabilen egemen bir siber güvenlik motoru niteliği taşıyor.

[!IMPORTANT]
Mistral Large 4, toplam ~1 trilyon parametreye sahip seyrek Uzmanların Karışımı (Sparse Mixture-of-Experts - MoE) mimarisi üzerinde inşa edilmiştir. Token başına yalnızca ~49 ila 52 milyar aktif parametre devreye sokularak 1 milyon tokenlık bağlam penceresi (context window) boyunca yüksek çıkarım verimliliği korunmaktadır.

Mimari Omurga: NVIDIA Grace Blackwell, 1M Bağlam ve NVFP4 Dağıtımı

Avrupa'daki egemen süper bilgisayar kümelerinde NVIDIA Grace Blackwell mimarisi üzerinde sıfırdan eğitilen Mistral Large 4, yerel çok modlu (natively multimodal) bir temel model olarak tasarlandı. Modelin üretim ortamındaki en kritik avantajı, vLLM, SGLang ve NVIDIA NIM çıkarım motorlarıyla ilk günden tam uyumlu olan FP8 ve NVFP4 ağırlık paketleridir.

flowchart TD
    A["Ham Kaynak Kod & Telemetri Havuzu<br/>(1 Milyon Token Bağlam Penceresi)"] --> B["Mistral Large 4 Seyrek MoE Yönlendirici<br/>(~1T Toplam / ~49-52B Aktif Parametre)"]
    B --> C{"Ayarlanabilir Muhakeme Çabası<br/>(Reasoning Effort)"}
    C -->|"low"| D["Hızlı Log Triyajı ve Sözdizimi Denetimi"]
    C -->|"medium"| E["Çok Dosyalı Kod Üretimi (DeepSWE %61,7)"]
    C -->|"high"| F["Derin Zafiyet Yeniden Üretimi ve Yamalama (%82)"]
    D --> G["Yerel vLLM / SGLang / NVIDIA NIM Çıkarımı<br/>(FP8 & NVFP4 Hava Boşluklu Kurumsal Dağıtım)"]
    E --> G
    F --> G

Modelin çıkarım katmanında sunduğu ayarlanabilir muhakeme çabası (low, medium, high reasoning effort), kurumsal güvenlik operasyon merkezlerinin (SOC) token maliyetini ve gecikme süresini görev karmaşıklığına göre dinamik biçimde optimize etmesine olanak tanır:

• low Modu: Yüksek hacimli SIEM/EDR log özetleme, statik kod tarama (SAST) uyarılarının ilk triyajı ve düşük gecikmeli IDE kod tamamlama iş akışları için minimum düşünme tokenı harcar.
• medium Modu: Çok dosyalı depo (repository) navigasyonu, birim testi sentezi ve CI/CD boru hattı onarımları için dengeli bir muhakeme bütçesi ayırır.
• high Modu: Karmaşık bellek bozulması (memory corruption), yarış durumu (race condition) ve sıfırıncı gün (zero-day) zafiyetlerinin kök neden analizi, istismar kanıtı (PoC) doğrulaması ve doğrulanmış yama (patch) üretimi için derin çok adımlı düşünme zincirlerini etkinleştirir.

Siber Savunmada 'Yanlış Reddetme' (False-Refusal) Darboğazının Aşılması

Kapalı kaynaklı ticari sınır modellerinin kurumsal siber güvenlik ekiplerinde yarattığı en büyük operasyonel engel, meşru savunma araştırmalarının güvenlik filtreleri tarafından yanlış pozitif reddedilmesidir (false-refusal). Bir güvenlik mühendisi açık kaynaklı bir kütüphanedeki CVE kaydını doğrulamak veya yama öncesi regresyon testi için zafiyeti tetikleyen bir girdi üretmek istediğinde, kapalı API'ler çoğunlukla isteği engellemekte ya da yüzeysel yanıtlar dönmektedir.

Mistral AI, 6 Ekim – 29 Ekim 2026 arasındaki üç haftalık özel RL aşamasında modeli doğrudan gerçek dünya zafiyet konteynerleri ve siber savunma simülasyonları üzerinde eğitti:

1. Cybench Benchmark'ında %93 Başarı: 40 profesyonel yakala-bayrağı (CTF) ve kriptografik/sistem güvenliği görevinden oluşan Cybench değerlendirmesinde %93 çözüm oranına ulaşıldı.
2. Gerçek Dünya Zafiyet Yeniden Üretimi ve Yamalamada %82 Rekoru: Açık kaynaklı projelerdeki gerçek zafiyetleri alıp hatayı izole bir kum havuzunda (sandbox) yeniden üretme ve ardından tüm testleri geçen güvenli yamayı oluşturma görevinde %82 başarı elde edildi. Bu metrik, açık ağırlıklı modeller arasında bugüne kadar kaydedilen en yüksek skordur.
3. Egemen ve Hava Boşluklu SecOps: Kaynak kodlarını, özel kriptografik anahtar yapılarını veya sıfırıncı gün olay müdahale (incident response) dökümlerini üçüncü taraf bulut sağlayıcılarına gönderemeyen kurumlar, Mistral Large 4 ağırlıklarını kendi yerel GPU kümelerinde çalıştırarak tam veri egemenliği sağlar.

Ajan Tabanlı Kodlama Performansı ve Kıyaslama Tablosu

Siber savunma yeteneklerinin yanı sıra Mistral Large 4, otonom yazılım mühendisliği kıyaslamalarında da öncü kapalı modellerle doğrudan rekabet eden sonuçlar ortaya koyuyor. Özellikle DeepSWE v1.1 üzerinde %61,7 ve büyük ölçekli kod tabanı sorgulama testi SWE-Atlas-QnA üzerinde %59,4 skorlarına ulaşan model; Terminal-Bench, Cognition'ın FrontierCode 2.0 değerlendirmesi ve Artificial Analysis Coding Agent Index sıralamalarında yüksek token verimliliğiyle öne çıkıyor.

Mühendislik Uygulaması: Yerel vLLM / NVIDIA NIM Üzerinde Otonom Zafiyet Yamalama Ajanı

Aşağıdaki Python referans uygulaması, kurum içi vLLM veya NVIDIA NIM çıkarım sunucusu üzerinde NVFP4 formatında barındırılan Mistral Large 4 modelinin high muhakeme moduyla çalıştırılarak bir güvenlik açığını analiz etmesini, doğrulama senaryosunu çıkarmasını ve güvenli git yamasını (unified diff) üretmesini göstermektedir:

import json
from openai import OpenAI
from pydantic import BaseModel, Field

# Kurum içi hava boşluklu (air-gapped) vLLM / NVIDIA NIM uç noktası
client = OpenAI(
    base_url="http://secops-nim.internal.corp:8000/v1",
    api_key="EMPTY"  # Yerel mTLS ve kurumsal ağ politikası ile korunur
)

class VulnerabilityPatchReport(BaseModel):
    cve_id: str = Field(description="İncelenen zafiyetin tanımlayıcısı veya iç kayıt numarası")
    root_cause_analysis: str = Field(description="Bellek veya mantık hatasının teknik kök neden analizi")
    reproduction_test_code: str = Field(description="Zafiyeti izole kum havuzunda doğrulayan pytest kodu")
    unified_diff_patch: str = Field(description="Güvenlik açığını kapatan standart git unified diff yaması")

def generate_sovereign_security_patch(repo_context: str, advisory_log: str) -> VulnerabilityPatchReport:
    response = client.chat.completions.create(
        model="mistralai/Mistral-Large-4-NVFP4",
        messages=[
            {
                "role": "system",
                "content": (
                    "Kurumsal siber savunma ve otonom yama mühendisliği motoru. "
                    "Verilen kaynak kod bağlamındaki zafiyet analiz edilir, regresyon testi "
                    "ve yan etkisiz güvenlik yaması yapılandırılmış JSON olarak üretilir."
                ),
            },
            {
                "role": "user",
                "content": f"### Zafiyet Telemetrisi:\n{advisory_log}\n\n### Kaynak Kod Bağlamı:\n{repo_context}",
            },
        ],
        temperature=0.1,
        extra_body={
            "reasoning_effort": "high",  # Derin siber savunma ve yama doğrulaması için yüksek muhakeme
            "guided_json": VulnerabilityPatchReport.model_json_schema(),
        },
    )
    raw_payload = response.choices[0].message.content
    return VulnerabilityPatchReport.model_validate_json(raw_payload)

[!TIP]
Üretim Dağıtımı Önerisi: Mistral Large 4 modelinin 1 milyon tokenlık bağlam penceresi, mikroservis mimarilerinde tek bir dosya yerine tüm bağımlılık ağacının ve derleme günlüklerinin tek seferde modele beslenmesini sağlar. NVFP4 nicemlemesi ile NVIDIA Grace Blackwell veya H200 düğümleri üzerinde KV-cache bellek ayak izi yarıya indirilerek eşzamanlı SecOps ajan oturumları ölçeklenebilir.