人工智能创业公司Mistral AI以Apache 2.0授权开源Mistral 7B语言模型，Mistral 7B的特别之处在于其规模较小仅有73亿，但是在所有基准测试上，其表现都优于规模更大的语言模型Llama 2 13B，还具有编写程序代码以及处理8,000个token的能力。
整体来说，Mistral 7B在多个基准测试，包括常识推理、世界知识、阅读理解、数学和程序代码等，表现亮眼，除了明显优于Llama 2 13B之外，也和Llama 34B模型打成平手，其编写程序代码的能力接近CodeLlama 7B，并且在英文任务中表现良好。
在大规模多任务语言理解（MMLU）基准测试上，Mistral 7B的表现相当一个3倍大的Llama 2模型，但是却可大幅节省内存消耗，吞吐量也有所增加，其提供了更高的性价比。
Mistral 7B运用了群组查询注意力（GQA）加快推理速度，还使用滑动窗口注意力（SWA），以更小的成本处理较长的串行。群组查询注意力方法分组多个查询并且同时进行处理，通过这种方式，群组查询注意力机制能够减少重复计算，提高推理速度并降低运算成本。
滑动窗口注意力机制则限制模型，在神经网络的每一个层级，只能关注前面一定范围的token，这个限制窗口会根据模型的层数向前滑动，在更高的层数中，模型能够间接关注串行中更早出现的token。运用这种方式，滑动窗口注意力机制可以降低计算和内存需求，并更高效地处理长串行，Mistral 7B每层注意前4,096个隐藏状态，能够以线性计算成本提高处理速度，特别是串行长度为16,000时，速度提高达2倍。
这两种技术组合使Mistral 7B在处理各种不同任务时，具有高效和灵活性，同时保持良好的可扩展性。
另外，官方也运用公开指令数据集微调Mistral 7B，经过微调后的Mistral 7B Instruct模型在MT-Bench测试中表现良好，能够与130亿参数的聊天模型的性能相当。用户现在可以下载Mistral 7B并立即开始使用，可以选择部署在AWS、Azure和GCP等云计算平台上，并且在vLLM推论服务和Skypilot框架上运行，同时还支持在HuggingFace平台上使用。
由于Mistral 7B采用Apache 2.0授权，因此用户几乎能够不受限制地自由使用模型，Mistral AI官方认为，开源解决方案将会超越专有解决方案，因为开源能够集结社交媒体力量使得技术更加卓越，并且也只有开源模型才能够对抗审查与偏见，并交给开发者完全的控制能力，可依照需求调整模型大小和成本。
