Wat is Mistral Large 4? Een Trillion-Parameter Specialist uit Europa

Mistral Large 4 is de nieuwe vlaggenschip van Mistral AI. Het heeft ongeveer één triljoen parameters, is vanaf nul getraind in Europa, en de open gewichten worden verwacht aan het einde van oktober 2026. Het is niet het slimste model dat beschikbaar is. Wat het opmerkelijk maakt, is dat het op een paar gebieden leidt waar gesloten vlaggenschipmodellen ofwel weigeren of achterblijven: defensieve beveiligingswerkzaamheden, het lokaliseren van objecten in afbeeldingen en juridische onderzoeksagenten.

Mistral heeft het op 6 oktober 2026 uitgebracht als een openbare preview. De bijnaam is "Le Chonk". Deze post behandelt wat het model is, wat het goed doet, waar het tekortschiet en hoe je het kunt proberen via AIHubMix.

In een oogopslag

Op AIHubMix is de model-ID mistral-large-4-0, wat Mistral ook accepteert als een alias. Specificaties hier volgen de modelkaart van Mistral. Mistral heeft zowel 49B als 52B opgegeven als het aantal actieve parameters. De licentie voor de open gewichten is nog niet aangekondigd.

Het is een mixture-of-experts model, dus slechts een klein deel van de parameters is actief voor elke token. Het heeft een 1.6B-parameter vision encoder, accepteert tot 100 afbeeldingen per aanvraag en ondersteunt meer dan 160 talen. Mistral heeft het getraind op 3.800 NVIDIA Grace Blackwell GPU's in zijn eigen Europese datacenters, niet bovenop een basis model van een ander bedrijf.

Wat het goed doet

De onderstaande cijfers komen van Mistral's lanceringspost en van onafhankelijke runs door Artificial Analysis en Vals AI. Mistral's eigen cijfers zijn zelfgerapporteerd, en al deze cijfers zijn gemeten op de preview terwijl de training nog liep.

Defensieve beveiliging. CyberGym-E2E vraagt een model om een echte kwetsbaarheid te reproduceren en deze vervolgens te patchen. Large 4 heeft de hoogste score in de run van Artificial Analysis. Volgens Mistral scoren Claude Opus 5.5 en GPT-6 Astra dicht bij nul omdat ze de taak weigeren. Het zegt echter niet overal ja tegen. Mistral meldt dat het oprecht schadelijke cyberverzoeken vaker weigert dan enig ander open model dat het heeft getest, en dat het 93,3% van de aanvallen op Lakera's B3 prompt-injectie benchmark heeft geblokkeerd.

Objecten vinden in afbeeldingen. Large 4 kan visuele gronding doen: het kan markeren waar een object zich bevindt, niet alleen beschrijven. DIOR-RSVG test dit op satelliet- en luchtbeelden, en Dense200 test het op drukke scènes. Mistral's demo's omvatten het scannen van gigapixel satellietbeelden en het controleren van onderdelen op technische tekeningen.

Juridisch en financieel werk. Op Harvey's juridische agent benchmark staat Vals AI op de zesde plaats van 76 modellen en eerste onder open modellen. Op Finch, een financiële benchmark, toont Mistral's grafiek dat het gelijk staat aan DeepSeek V4 Pro.

Artificial Analysis vatte de release als volgt samen: "Frankrijk heeft weer het meest intelligente model van buiten de VS en China."

Waar het tekortschiet

Large 4 is geen grensverleggend allrounder:

• Algemene intelligentie. Het scoort 38 op de Intelligence Index van Artificial Analysis. Dat is gelijk aan GPT-6 Luna en staat achter de open modellen GLM-5.3 (45) en Kimi K3 (44).
• Terminal-zware codering. Het scoort 22.7% op Terminal-Bench 4 in de run van Vals AI, wat het 21e plaatst van de 45. Claude Opus 5.5 scoort 65.2%.
• Wiskundige bewijzen en lange PDF-rapporten. Het scoort 10% op ProofBench en 19% op GDP.pdf. GPT-6 Astra scoort ongeveer 32% op GDP.pdf.
• Kosten per taak. Volgens de telling van Artificial Analysis kost één taak op de Intelligence Index $1.13 tegen de lijstprijs. Evenzo capabele open modellen zoals GLM-5.3-Flash kosten ongeveer $0.25.

Hoe het zich verhoudt tot Large 3

Large 4 kost ongeveer 2,7 keer zoveel per token als Large 3. Voor eenvoudig, hoog-volume tekstwerk dat Large 3 al goed afhandelt, kan de upgrade zich niet terugbetalen.

Twee dingen om te weten voordat je het noemt

Denken is standaard aan. Op Mistral's eigen API, reasoning_effort neemt "none" of "high". Via AIHubMix vonden tests op 9 oktober dat het model denkt ongeacht wat reasoning_effort zegt, inclusief "none", en de denk-tokens worden als uitvoer in rekening gebracht. Om denken uit te schakelen, stuur "reasoning": {"effort": "none"} in de aanvraagbody, zoals het voorbeeld hieronder doet. Wanneer denken aan is, zegt Mistral's redeneringsgids dat je het de volgende beurt weer moet terugsturen. Via AIHubMix komt het in een apart reasoning_details veld, en de volgende aanvraag accepteert het als onderdeel van het assistentbericht.

Het is een preview. Mistral's levenscyclusbeleid staat stille updates toe voor previewmodellen en geeft een maand voorafgaand aan het beëindigen van een model aan. Houd een kleine set testprompts bij en voer ze van tijd tot tijd opnieuw uit.

Probeer het via AIHubMix

AIHubMix biedt Large 4 aan via zijn OpenAI-compatibele Chat Completions-eindpunt. Als je nog geen sleutel hebt ingesteld, duurt de snelle start een paar 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": "Schrijf een Sigma-regel die PowerShell markeert die door Office-apps is gestart, "
                   "en leg elke voorwaarde in één regel uit.",
    }],
    extra_body={"reasoning": {"effort": "none"}},  # schakelt denken uit
)
print(response.choices[0].message.content)

Het antwoord is altijd een gewone string in content. Laat het reasoning veld weg en het model denkt eerst. Het denken komt als een lijst in message.model_extra["reasoning_details"], en zijn tokens tellen als uitvoer. Met denken aan, geef max_tokens voldoende ruimte. Bij testen werd een limiet van 300 tokens opgebruikt door het denken en werd een leeg antwoord teruggegeven.

Wie zou het moeten proberen

• Beveiligingsteams die kwetsbaarheden reproduceren, patchen, malware-analyse uitvoeren of detectieregels maken die gesloten modellen weigeren.
• Teams die met afbeeldingen werken, zoals satelliet- en luchtinspectie, technische tekeningen en drukke scènes, waar vakken belangrijker zijn dan bijschriften.
• Juridische en financiële ontwikkelaars die een open model willen dat zich dicht bij de top van agent benchmarks bevindt.
• Europese organisaties die een model nodig hebben dat noch Amerikaans noch Chinees is, met een in de EU gehoste implementatie en een pad naar zelfhosting.

Voor algemene coderingsagenten of kostgevoelige dagelijkse werkzaamheden, vergelijk het eerst met andere modellen. De AIHubMix-modellenlijst stelt je in staat om dezelfde prompts tegen Large 4 en zijn alternatieven met één sleutel uit te voeren.

FAQ

Wat is Mistral Large 4?
Het is het vlaggenschipmodel van Mistral AI, uitgebracht in openbare preview op 6 oktober 2026. Het is een mixture-of-experts model met 1.05 triljoen parameters, accepteert tekst- en afbeeldinginvoer en retourneert tekst.

Is Mistral Large 4 open source?
Nog niet. Mistral is van plan de gewichten aan het einde van oktober 2026 te publiceren, maar heeft de licentie nog niet aangekondigd. De Apache 2.0-licentie van Large 3 wordt niet automatisch overgedragen.

Hoeveel kost het?
De lijstprijs is $1.36 per miljoen invoertokens, $0.14 per miljoen gecachte invoertokens, en $4.18 per miljoen uitvoertokens.

Hoe lang is het contextvenster?
1M tokens, volgens de modelkaart van Mistral. Dat is vier keer zoveel als de 256K van Large 3.

Is het beter dan GPT-6 of Claude?
Alleen op specifieke gebieden: defensieve beveiligingstaken die de gesloten modellen weigeren, visuele gronding en Harvey's juridische agent benchmark. Op brede intelligentie en agentische codering blijven de gesloten vlaggenschipmodellen goed voor.

Ondersteunt het redeneren?
Ja, en het is standaard aan. Via AIHubMix komt het denken terug in een apart reasoning_details veld. Om het uit te schakelen, stuur een redeneringsobject met de inspanning ingesteld op geen in de aanvraagbody. Het instellen van reasoning_effort op geen schakelt het niet uit op AIHubMix.

Kan het afbeeldingen lezen?
Ja. Het accepteert tot 100 afbeeldingen per aanvraag en kan markeren waar objecten zich in bevinden. Het kan geen afbeeldingen genereren.

Bronnen

• Introductie van Mistral Large 4 (Mistral AI)
• Mistral Large 4 modelkaart (Mistral Docs)
• Mistral Large 4.0 op AIHubMix
• Mistral Large 4: Frankrijk heeft het meest intelligente model buiten de VS en China (Artificial Analysis)
• Mistral Large 4 benchmarks (Vals AI)