Mistral AI、Mistral Small 4発表：推論最適化＋視覚理解のMoEアーキテクチャ小型モデル

Mistral Small 4 深層分析：MoEアーキテクチャが「小型モデル」の能力境界を再定義する

はじめに：AIモデルの効率革命

2026年3月16日、フランスのAI企業Mistral AIがMistral Small 4を発表しました。Mixture of Experts（MoE）アーキテクチャを採用した多モーダル推論モデルであり、AI分野が「パラメータ軍拡競争」から「効率優先」パラダイムへ転換する重要な転換点に位置しています。以前は4つの独立モデルに分散していた能力——指示追従、推論、多モーダル理解、エージェントコーディング——を単一モデルに統合し、MoEアーキテクチャにより計算コストを大幅に削減しました。

総パラメータ数1,190億、128の専門家ネットワークからトークンごとに4つのみ活性化する設計で、実際の計算は約60〜65億のアクティブパラメータのみ。Apache 2.0ライセンスでオープンソース公開されています。

MoEアーキテクチャ深層解析：スパース計算の精巧な設計

#### 専門家ネットワークとルーティング機構

MoEの理論的基盤は1991年の学術論文にまで遡りますが、Mistral Small 4はこのアーキテクチャを新たな工学的高みに押し上げました。128の専門家ネットワーク（各々は小規模なフィードフォワードニューラルネットワーク）を含み、学習可能なルーターが各入力トークンに対して最も関連性の高い4つの専門家を選択します。

ルーターはエンドツーエンドで訓練されるため、モデルは異なる種類のトークンを最も得意な専門家に自動的に割り当てることを学習します。全専門家の約3%しか活性化しないため、推論時の計算量とメモリ帯域幅が大幅に削減されます。

#### 稠密モデルとの本質的違い

GPT-4oやLlamaなどの稠密モデルは各トークン処理時にすべてのパラメータを活性化します。700億パラメータの稠密モデルは毎回700億回のパラメータ計算が必要です。Mistral Small 4は総パラメータ1,190億ながら、各推論で約60億パラメータのみ活性化——60億パラメータ稠密モデルの計算コストで、はるかに優れた性能を実現します。

前代Mistral Small 3と比較して、エンドツーエンド完了時間が40%削減、スループット最適化構成で毎秒3倍のリクエスト処理が可能です。

設定可能な推論力度：一つのモデル、二つのモード

`reasoning_effort`パラメータにより、推論時の「思考の深さ」を動態的に調整できます。**低推論力度**モードではMistral Small 3.2と同様の高速・低レイテンシ応答。**高推論力度**モードではChain-of-Thoughtの深い推論を実行し、複雑な数学問題やコード生成に対応します。

推論モードでのベンチマーク：GPQA 76.9%、LiveCodeBenchでは「GPT-OSS 120B」を超越（出力20%短縮）、AA LCRで0.72（Qwenの3.5〜4倍短い出力で同等スコア）。

ネイティブ多モーダル：視覚理解能力

Pixtral視覚コンポーネントを統合し、テキスト+画像のネイティブ多モーダル入力を実現。画像情報をモデルが理解できるトークンシーケンスに直接エンコードし、同一のアテンション機構でテキストと画像を同時処理します。256Kトークンの超長コンテキストウィンドウにより、大量の図文混合コンテンツを処理可能です。

オープンソースエコシステムと展開戦略

Apache 2.0ライセンスの採用により、企業は商用利用・修正・配布を自由に行えます。Mistral AI公式API、Hugging Face、NVIDIA NIM、各クラウドプラットフォームなど、複数のチャンネルでアクセス可能です。

市場ポジショニングと競争環境

• **vs GPT-4o**：総合性能ではGPT-4oが優勢だが、価格で圧倒的優位（$0.15/百万トークン vs $2.50）、完全オープンソース
• **vs Llama 4 Scout**：ベンチマークは接近、MoEアーキテクチャで推論効率が優勢
• **vs Qwen 2.5**：出力効率で大幅に優勢、同品質の応答をより少ないトークンで実現

業界への影響と展望

Mistral Small 4はAI業界の「モデル統合」フェーズの到来を示しています。MoEアーキテクチャの主流化、設定可能な推論力度の業界標準化が予想されます。Mistral AIはオープンソースと効率を武器に、米国テック大手が支配するAI競争において、欧州独自の差別化路線を切り開いています。