Mistral AI今天发布了其首个专注于推理能力的系列模型——Magistral。这次发布包含两个核心模型：旗舰模型Magistral Medium和已开源的Magistral Small (24B)。最引人注目的亮点是，Mistral展示了其自研的强化学习（RL）pipeline能够从头开始，仅通过RL训练就将基础模型的推理能力提升到业界顶尖水平，而无需依赖任何其他预先存在的推理模型进行数据蒸馏。这套技术栈非常强大！

Magistral模型简介

Mistral AI是法国的一家大模型初创企业，此前最著名的事情是业界最早开源MoE模型的企业，即Mixtral 8*22B，当时因为其直接开源，效果良好引起了大模型业界的追捧。但是，随着DeepSeek和Qwen系列模型的开源，以及Mistral转为商业目标为重心之后，它们在业界的影响力大大减少，不管是开源模型的节奏、数量还是质量都似乎不够吸引人了。

MistralAI当前主力模型分为三个不同版本，即Mistral Large、Mistral Medium和Mistral Small，其中Small版本是240亿参数版本的模型，一直开源，最新版本是3.1，而Medium是不开源的企业版本，因为其良好的多语言能力、较好的推理速度，以及还可以的效果，同时可能是欧洲大模型独苗，在OP市场上还是有点竞争力（纯粹个人观点，不喜勿喷），但可能没有此前大家那么期待和关注。

本次开源的Magistral是Mistral AI在增强大型语言模型（LLM）推理能力方面迈出的关键一步。它不是一个全新的基础模型，而是基于Mistral现有模型通过专门的推理训练方法优化而来的，得到的推理大模型。有2个版本：

• Magistral Medium: 基于Mistral Medium 3模型，仅通过纯粹的强化学习（RL）进行训练，专注于提升数学和代码等复杂任务的推理能力。
• Magistral Small: 基于Mistral Small 3（一个24B模型），采用了从Magistral Medium蒸馏的SFT（监督微调）和后续RL相结合的训练方式，最终以Apache 2.0许可证开源。

Mistral在论文中强调，他们的工作是“从零开始”（ground up），完全依赖自家的模型和基础设施，主要贡献包括：

• 纯RL的强大能力：证明了仅用RL就能在没有外部推理数据的情况下，将模型性能（如AIME-24测试）提升近50%。
• 可扩展的RL架构：详细介绍了一个异步、高效的在线RL训练系统，能够平衡效率和策略的“在线性”（on-policyness）。
• 简单有效的多语言策略：通过简单的奖励机制，让模型的思考过程和最终答案都能使用用户的语言。
• 对RL研究的贡献：分享了许多实验洞见，包括一些成功和不成功的尝试，为社区提供了宝贵的经验。

Magistral性能评测：推理能力大幅提升

相比较基座模型，Magistral的性能提升明显，各项评测指标提升幅度都较大。以Magistral Medium为例，和它的基础模型 Mistral Medium 3相比较：

• AIME’24 (pass@1): 从 26.8% 飙升至 73.6%。正确率提升了近 175%！这表明 RL 极大地增强了模型解决复杂数学问题的能力。
• AIME’25 (pass@1): 从 21.2% 提升至 64.9%，提升超过 200%。
• LiveCodeBench (v5): 从 29.1% 提升至 59.4%，提升超过 100%，在编程能力上同样效果显著。
• GPQA (STEM): 从 59.6% 提升至 70.8%，在科学推理上也有显著进步。

但是，这个提升的结果与业界最好的模型相比，似乎不够出色，特别是与国内开源的Qwen和DeepSeek相比，似乎不太优秀：

从DataLearnerAI收集的数据来看，除了DeepSeekV3这个非推理模型外，Magistral两个版本模型都不如其它模型，虽然说数据没有那么差，但的确还是Qwen和DeepSeek太靓眼了。

Magistral核心技术解析：自研RL框架与GRPO算法

Magistral主要依赖Mistral自研的一套高效、可扩展的在线RL训练框架。这个框架协调了三种工作角色：Trainer（更新模型权重）、Generator（生成推理内容）和Verifier（评估并给予奖励）。

在算法层面，Mistral选择了GRPO (Group Relative Policy Optimization)，并做出了几项关键优化：

1. 移除了KL散度惩罚：他们发现，在GRPO中，即使没有KL散度来约束模型偏离初始版本，策略本身也会发生显著变化。为了节省计算资源，他们干脆去掉了这一项。
2. 优势归一化（Advantage Normalization）：在每个minibatch内对优势进行归一化，以稳定训练。
3. 放宽信任区域上界（Clip-Higher）：允许模型探索那些概率较低但可能非常有价值的推理路径，以防止策略过早“熵坍塌”（变得过于确定和单一）。
4. 奖励塑造（Reward Shaping）：奖励不仅仅是“答案对不对”，而是一个综合性的评分，包括：
   • 格式正确性：是否遵循<think>标签、\boxed{}等格式要求。
   • 答案正确性：数学和代码答案是否通过验证。
   • 长度惩罚：对过长的输出进行轻微惩罚。
   • 语言一致性：奖励思考过程和答案使用相同语言。

这个精巧的框架和算法设计，是Magistral性能飞跃的基石。

对于开源的24B模型Magistral Small，Mistral采用了“SFT+RL”的黄金组合路线：

1. SFT阶段：使用Magistral Medium生成的优质推理轨迹，对Mistral Small 3进行监督微调（SFT）。
2. RL阶段：在SFT模型的基础上，再进行强化学习。

实验结果表明，这种组合拳的效果是最好的。

这一发现与之前一些研究（如DeepSeek）认为“小模型纯靠RL效果不佳”的观点不同，Mistral证明了即使在小模型上，强大的RL技术也能带来超越蒸馏的显著增益。

意外之喜：RL训练带来的“免费午餐”

最令人惊喜的发现是，针对文本推理的RL训练不仅没有损害模型原有的其他能力，反而还带来了提升，堪称“免费的午餐”。

• 多模态能力：尽管RL训练只用了纯文本数据，但Magistral模型在MMMU和MathVista等多模态基准上的表现反而更好了。这表明模型学会的“深度思考”模式可以泛化到处理图像和文本结合的问题。

• 工具调用与指令遵循：同样地，模型在函数调用（Function Calling）和指令遵循（Instruction Following）等能力上也保持稳定，甚至有小幅提升。

这意味着，Magistral模型可以直接集成到现有的工具使用和Agent工作流中，无需担心能力退化。

Magistral模型的多语言能力

通过在训练数据中加入10%的多语言问题，并设置“语言一致性奖励”，Magistral模型学会了用用户的语言进行思考和回答。一如既往，Mistral的模型在支持多语言的方面还是很优秀的，以AIME2024测试为例，其它语种相对于英文，下降不明显：

虽然在非英语语言上性能有轻微下降，但这证明了该方法是有效的，并且模型的整个推理链（<think>标签内的内容）都是用目标语言完成的，非常地道。

Magistral的开源情况和总结

Magistral Small (24B)模型已经根据Apache 2.0许可证在Hugging Face上开源，你可以直接下载使用。

而Magistral Medium目前不开源。

更多信息参考DataLearnerAI模型信息卡：
Magistral-Medium-2506：https://www.datalearner.com/ai-resources/pretrained-models/Magistral-Medium-2506
Magistral-Small-2506：https://www.datalearner.com/ai-resources/pretrained-models/Magistral-Small-2506