Was ist Mistral Large 4? Ein Billionen-Parameter-Spezialist aus Europa

Mistral Large 4 ist das neue Flaggschiff von Mistral AI. Es hat etwa eine Billion Parameter, wurde von Grund auf in Europa trainiert und seine offenen Gewichte werden Ende Oktober 2026 veröffentlicht. Es ist nicht das intelligenteste verfügbare Modell. Bemerkenswert ist, dass es in einigen Bereichen führend ist, in denen geschlossene Flaggschiffe entweder ablehnen oder zurückfallen: defensive Sicherheitsarbeit, Objekterkennung in Bildern und rechtliche Forschungsagenten.

Mistral hat es am 6. Oktober 2026 als öffentliche Vorschau veröffentlicht. Sein Spitzname ist "Le Chonk". Dieser Beitrag behandelt, was das Modell ist, was es gut macht, wo es Schwächen hat und wie man es über AIHubMix ausprobieren kann.

Auf einen Blick

Auf AIHubMix ist die Modell-ID mistral-large-4-0, die Mistral auch als Alias akzeptiert. Die Spezifikationen hier folgen Mistrals Modellkarte. Mistral hat sowohl 49B als auch 52B als Anzahl der aktiven Parameter angegeben. Die Lizenz für die offenen Gewichte wurde noch nicht bekannt gegeben.

Es handelt sich um ein Mischmodell von Experten, sodass nur ein kleiner Teil seiner Parameter für jedes Token aktiv ist. Es hat einen 1,6B-Parameter-Vision-Encoder, akzeptiert bis zu 100 Bilder pro Anfrage und deckt mehr als 160 Sprachen ab. Mistral hat es auf 3.800 NVIDIA Grace Blackwell GPUs in seinen eigenen europäischen Rechenzentren trainiert, nicht auf einem Basismodell eines anderen Unternehmens.

Was es gut macht

Die folgenden Zahlen stammen aus Mistrals Launch-Beitrag und von unabhängigen Tests durch Artificial Analysis und Vals AI. Mistrals eigene Zahlen sind selbstberichtend, und alle wurden in der Vorschau gemessen, während das Training noch lief.

Defensive Sicherheit. CyberGym-E2E fordert ein Modell auf, eine echte Schwachstelle zu reproduzieren und dann zu patchen. Large 4 hat die höchste Punktzahl im Test von Artificial Analysis. Laut Mistral erzielen Claude Opus 5.5 und GPT-6 Astra nahezu null Punkte, weil sie die Aufgabe ablehnen. Es sagt jedoch nicht zu allem ja. Mistral berichtet, dass es schädliche Cyber-Anfragen häufiger ablehnt als jedes andere offene Modell, das es getestet hat, und dass es 93,3% der Angriffe auf Lakera's B3-Prompt-Injection-Benchmark blockiert hat.

Objekte in Bildern finden. Large 4 kann visuelles Grounding: Es kann markieren, wo sich ein Objekt befindet, und nicht nur beschreiben. DIOR-RSVG testet dies an Satelliten- und Luftbildern, und Dense200 testet es an überfüllten Szenen. Mistrals Demos umfassen das Scannen von Gigapixel-Satellitenbildern und das Überprüfen von Teilen in technischen Zeichnungen.

Rechts- und Finanzarbeit. Im Benchmark des rechtlichen Agenten von Harvey rangiert Vals AI es an sechster Stelle von 76 Modellen und an erster Stelle unter den offenen Modellen. Im Benchmark Finch zeigt Mistrals Diagramm, dass es auf Augenhöhe mit DeepSeek V4 Pro ist.

Artificial Analysis fasste die Veröffentlichung so zusammen: "Frankreich hat wieder das intelligenteste Modell außerhalb der USA und Chinas."

Wo es Schwächen hat

Large 4 ist kein Alleskönner:

• Allgemeine Intelligenz. Es erzielt 38 im Intelligence Index von Artificial Analysis. Das entspricht GPT-6 Luna und liegt hinter den offenen Modellen GLM-5.3 (45) und Kimi K3 (44).
• Terminallastige Programmierung. Es erzielt 22,7% im Terminal-Bench 4 im Test von Vals AI, was es auf den 21. Platz von 45 bringt. Claude Opus 5.5 erzielt 65,2%.
• Mathematische Beweise und lange PDF-Berichte. Es erzielt 10% im ProofBench und 19% im GDP.pdf. GPT-6 Astra erzielt etwa 32% im GDP.pdf.
• Kosten pro Aufgabe. Laut Artificial Analysis kostet eine Aufgabe im Intelligence Index 1,13 $ zum Listenpreis. Ähnlich fähige offene Modelle wie GLM-5.3-Flash kosten etwa 0,25 $.

Wie es sich mit Large 3 vergleicht

Large 4 kostet etwa 2,7-mal so viel pro Token wie Large 3. Für einfache, hochvolumige Textarbeiten, die Large 3 bereits gut bewältigt, könnte sich das Upgrade nicht auszahlen.

Zwei Dinge, die Sie wissen sollten, bevor Sie es bewerten

Denken ist standardmäßig aktiviert. In Mistrals eigener API nimmt reasoning_effort "none" oder "high" an. Über AIHubMix ergaben Tests am 9. Oktober, dass das Modell unabhängig von dem, was reasoning_effort sagt, denkt, einschließlich "none", und die Denk-Tokens als Ausgabe abgerechnet werden. Um das Denken auszuschalten, senden Sie "reasoning": {"effort": "none"} im Anfragekörper, wie im folgenden Beispiel. Wenn das Denken aktiviert ist, sagt Mistrals Denken-Leitfaden, dass es in der nächsten Runde zurückgesendet werden soll. Über AIHubMix kommt es in einem separaten reasoning_details-Feld an, und die nächste Anfrage akzeptiert es als Teil der Assistenznachricht.

Es ist eine Vorschau. Mistrals Lebenszykluspolitik erlaubt stille Updates für Vorschau-Modelle und gibt einen Monat Vorankündigung, bevor eines eingestellt wird. Halten Sie eine kleine Menge an Testaufforderungen bereit und führen Sie diese von Zeit zu Zeit erneut aus.

Probieren Sie es über AIHubMix aus

AIHubMix bietet Large 4 über seinen OpenAI-kompatiblen Chat Completions-Endpunkt an. Wenn Sie noch keinen Schlüssel eingerichtet haben, dauert der Schnellstart nur wenige Minuten.

import os

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com/v1",
)

response = client.chat.completions.create(
    model="mistral-large-4-0",
    messages=[{
        "role": "user",
        "content": "Schreiben Sie eine Sigma-Regel, die PowerShell, die von Office-Apps gestartet wird, kennzeichnet, "
                   "und erklären Sie jede Bedingung in einer Zeile.",
    }],
    extra_body={"reasoning": {"effort": "none"}},  # schaltet das Denken aus
)
print(response.choices[0].message.content)

Die Antwort ist immer ein einfacher String in content. Lassen Sie das reasoning-Feld weg, und das Modell denkt zuerst. Das Denken kommt als Liste in message.model_extra["reasoning_details"], und seine Tokens zählen als Ausgabe. Wenn das Denken aktiviert ist, geben Sie max_tokens ausreichend Spielraum. In Tests wurde eine Obergrenze von 300 Tokens verwendet, die durch das Denken aufgebraucht wurde und eine leere Antwort zurückgab.

Wer sollte es ausprobieren

• Sicherheitsteams, die Schwachstellen reproduzieren, patchen, Malware analysieren oder Erkennungsregeln erstellen, die geschlossene Modelle ablehnen.
• Teams, die mit Bildern arbeiten, wie Satelliten- und Luftinspektionen, technische Zeichnungen und überfüllte Szenen, wo Kästchen wichtiger sind als Beschriftungen.
• Rechts- und Finanzentwickler, die ein offenes Modell in der Nähe der Spitze der Agenten-Benchmarks wünschen.
• Europäische Organisationen, die ein Modell benötigen, das weder amerikanisch noch chinesisch ist, mit einem in der EU gehosteten Deployment und einem Weg zur Selbst-Hosting.

Für allgemeine Programmieragenten oder kostenbewusste Alltagsarbeiten vergleichen Sie es zuerst mit anderen Modellen. Die AIHubMix-Modellliste ermöglicht es Ihnen, dieselben Aufforderungen gegen Large 4 und seine Alternativen mit einem Schlüssel auszuführen.

Häufig gestellte Fragen

Was ist Mistral Large 4?
Es ist das Flaggschiffmodell von Mistral AI, das am 6. Oktober 2026 in öffentlicher Vorschau veröffentlicht wurde. Es handelt sich um ein Mischmodell von Experten mit 1,05 Billionen Parametern, das Text- und Bild-Eingaben akzeptiert und Text zurückgibt.

Ist Mistral Large 4 Open Source?
Noch nicht. Mistral plant, die Gewichte Ende Oktober 2026 zu veröffentlichen, hat jedoch die Lizenz noch nicht bekannt gegeben. Die Apache 2.0-Lizenz von Large 3 wird nicht automatisch übernommen.

Wie viel kostet es?
Der Listenpreis beträgt 1,36 $ pro Million Eingabetokens, 0,14 $ pro Million zwischengespeicherten Eingabetokens und 4,18 $ pro Million Ausgabetokens.

Wie lang ist das Kontextfenster?
1M Tokens, laut Mistrals Modellkarte. Das ist viermal so viel wie die 256K von Large 3.

Ist es besser als GPT-6 oder Claude?
Nur in bestimmten Bereichen: defensive Sicherheitsaufgaben, die geschlossene Modelle ablehnen, visuelles Grounding und den Benchmark des rechtlichen Agenten von Harvey. In Bezug auf allgemeine Intelligenz und agentenbasierte Programmierung bleiben die geschlossenen Flaggschiffe weit voraus.

Unterstützt es Denken?
Ja, und es ist standardmäßig aktiviert. Über AIHubMix kommt das Denken in einem separaten Feld für reasoning_details zurück. Um es auszuschalten, senden Sie ein reasoning-Objekt mit dem Aufwand auf none im Anfragekörper. Das Setzen von reasoning_effort auf none schaltet es bei AIHubMix nicht aus.

Kann es Bilder lesen?
Ja. Es akzeptiert bis zu 100 Bilder pro Anfrage und kann markieren, wo sich Objekte in ihnen befinden. Es kann keine Bilder generieren.

Quellen

• Einführung von Mistral Large 4 (Mistral AI)
• Mistral Large 4 Modellkarte (Mistral Docs)
• Mistral Large 4.0 auf AIHubMix
• Mistral Large 4: Frankreich hat das intelligenteste Modell außerhalb der USA und Chinas (Artificial Analysis)
• Mistral Large 4 Benchmarks (Vals AI)