Im Quellenvergleich
Worin die Quellen übereinstimmen
Mistral hat mit Shieldstral einen KI-Sicherheitsklassifikator mit offenen Gewichten veröffentlicht. Das Modell hat 3 Milliarden Parameter und bewertet Inhalte auf Sicherheit. Es ist unter der Apache-2.0-Lizenz verfügbar. Shieldstral arbeitet nicht mit festen Schadenskategorien, sondern erhält die zu prüfende Richtlinie als Frage in natürlicher Sprache zur Laufzeit. Das Modell gibt einen kalibrierten Sicherheitswert zwischen null und eins aus. Es bewertet Text und Bilder mit derselben Oberfläche. Die Quellen berichten weitgehend übereinstimmend. Das Modell basiert auf Mistrals Ministral-3B und nutzt einen Pixtral-Vision-Encoder für Bilder. Es läuft auf einer einzelnen GPU mit 16 Gigabyte Speicher. Das Training nutzte rund 54,1 Millionen Beispiele aus verschiedenen Datensätzen in einem einheitlichen Format. Die Entwickler konstruierten bewusst ähnliche, leicht verwechselbare Richtlinienpaare, damit das Modell Grenzen lernt statt Listen auswendig zu lernen. Mistral räumt Einschränkungen ein: Mehrsprachigkeit, lange Dokumente und breitere multimodale Sicherheit seien noch nicht gelöst.
Aktualisierungen
06.08.2026
14:06Das Modell basiert auf Mistrals Ministral-3B und nutzt einen Pixtral-Vision-Encoder für Bilder.
Es läuft auf einer einzelnen GPU mit 16 Gigabyte Speicher.
07.08.2026
13:07Das Training nutzte rund 54,1 Millionen Beispiele aus verschiedenen Datensätzen in einem einheitlichen Format.
Die Entwickler konstruierten bewusst ähnliche, leicht verwechselbare Richtlinienpaare, damit das Modell Grenzen lernt statt Listen auswendig zu lernen.
Mistral räumt Einschränkungen ein: Mehrsprachigkeit, lange Dokumente und breitere multimodale Sicherheit seien noch nicht gelöst.
Worin sie sich unterscheidenLeistungsvergleich mit größeren Modellen·Antwortformat des Modells·Konkrete Benchmark-Ergebnisse+3 weitere
Leistungsvergleich mit größeren Modellen- Shieldstral übertrifft Modelle, die bis zu siebenmal größer sind.1
- Shieldstral erreicht die Leistung von dreimal größeren Modellen.2
- Shieldstral erreicht die Leistung siebenmal größerer Modelle.3
- Shieldstral ist siebenmal kleiner als Konkurrenten, aber nicht schlechter.4
Antwortformat des Modells- Das Modell gibt einen kalibrierten Sicherheitswert aus.1
- Das Modell gibt „Ja“- und „Nein“-Logits aus, die per Softmax zu einem Sicherheitswert normalisiert werden.3
- Das Modell beantwortet die Frage mit Ja oder Nein, der Wert wird aus den Logits zweier Tokens abgelesen.4
Konkrete Benchmark-Ergebnisse- Auf den kombinierten Textbenchmarks erreicht Shieldstral einen F1-Wert von 84,9 Prozent und liegt damit gleichauf mit dem etwa siebenmal größeren GPT-OSS-Safeguard-20B von OpenAI und vor Qwen3Guard-8B (84,0), Nemotron-3.5-Safety-4B (83,3) und LlamaGuard-4-12B (69,1).2
- Bei Bildern und Bild-Text-Kombinationen kommt das Modell auf 83,8 Prozent und übertrifft OmniGuard-7B (77,6) sowie LlavaGuard-7B (71,6).2
- Beim Anpassungsbenchmark mit abweichenden oder völlig neuen Regeln führt GPT-OSS-Safeguard-20B mit 94,1 Prozent vor Shieldstral (91,3).2
Bewertung der Praktikabilität- Die Autoren halten ihr Modell für praktikabler, weil die Konkurrenz vor der Antwort lange Zwischenschritte erzeugt und damit die Rechenkosten erhöht; Shieldstral gibt nur ein einziges Wort aus.2
- Ein Forward Pass genügt, was die Kosten senkt.4
Trainingsdaten- Die Entwickler trainierten das Modell auf echten und synthetischen Daten mit unterschiedlichen Formaten und nutzten kontrastive Beispiele, um feine Unterschiede zwischen ähnlichen Richtlinien zu lernen.1
- Die Forscher führten rund 54,1 Millionen Beispiele aus verschiedenen Datensätzen in einem einheitlichen Format zusammen.2
- Das Training nutzte etwa 54,1 Millionen Samples; die Autoren vereinheitlichten verschiedene Datensätze und konstruierten bewusst ähnliche, leicht verwechselbare Politikpaare.4
Strategische Einordnung von Mistral- Mistral konzentriere sich auf Bereiche wie Sprachverarbeitung, Bilderkennung und Dokumentenanalyse, nicht auf Frontier-LLMs; CEO Arthur Mensch habe eingeräumt, dass Mistral nicht die besten Sprachmodelle habe.4
- Mistral habe etwa 4 Milliarden Dollar eingesammelt, während US-Konkurrenten wie Anthropic einen Run-Rate von rund 30 Milliarden Dollar hätten; die Kapitalstruktur sei anders, mit ASML als Großaktionär statt eines Hyperscalers als Sponsor.4
- Der Autor sieht Mistrals Strategie als bewusst: eine Firma, die eine Marktkorrektur überlebt, ähnlich wie Palantir, mit Fokus auf souveräne, lokal betriebene Modelle für Kunden wie Banken.4