Czym jest Mistral Large 4? Specjalista z Europy o trylionie parametrów

Mistral Large 4 to nowy flagowy model Mistral AI. Posiada około jednego tryliona parametrów, jest trenowany od podstaw w Europie, a jego otwarte wagi mają być dostępne pod koniec października 2026 roku. Nie jest to najinteligentniejszy dostępny model. To, co czyni go godnym uwagi, to fakt, że prowadzi w kilku obszarach, w których zamknięte flagowce albo odmawiają, albo pozostają w tyle: prace z zakresu bezpieczeństwa defensywnego, lokalizowanie obiektów na obrazach oraz agenci badań prawnych.

Mistral wydał go 6 października 2026 roku jako publiczny podgląd. Jego przydomek to "Le Chonk". Ten post omawia, czym jest model, co robi dobrze, gdzie ma braki oraz jak go wypróbować za pośrednictwem AIHubMix.

Na pierwszy rzut oka

Na AIHubMix identyfikator modelu to mistral-large-4-0, który Mistral akceptuje również jako alias. Specyfikacje tutaj są zgodne z kartą modelu Mistral. Mistral podał zarówno 49B, jak i 52B jako liczbę aktywnych parametrów. Licencja na otwarte wagi nie została ogłoszona.

Jest to model mieszanki ekspertów, więc tylko niewielka część jego parametrów jest aktywna dla każdego tokena. Posiada enkoder wizji o parametrach 1,6B, akceptuje do 100 obrazów na żądanie i obsługuje ponad 160 języków. Mistral trenował go na 3,800 GPU NVIDIA Grace Blackwell w swoich europejskich centrach danych, a nie na bazowym modelu innej firmy.

Co robi dobrze

Poniższe dane pochodzą z postu o premierze Mistrala oraz z niezależnych badań przeprowadzonych przez Artificial Analysis i Vals AI. Własne dane Mistrala są raportowane samodzielnie, a wszystkie z nich były mierzone w czasie podglądu, gdy trening nadal trwał.

Bezpieczeństwo defensywne. CyberGym-E2E prosi model o odtworzenie rzeczywistej luki w zabezpieczeniach, a następnie jej załatanie. Large 4 uzyskał najwyższy wynik w badaniach Artificial Analysis. Według Mistrala, Claude Opus 5.5 i GPT-6 Astra uzyskują wyniki bliskie zeru, ponieważ odmawiają wykonania zadania. Nie mówi jednak "tak" na wszystko. Mistral informuje, że odmawia rzeczywiście szkodliwych żądań cybernetycznych częściej niż jakikolwiek inny otwarty model, który testował, oraz że zablokował 93,3% ataków w benchmarku wstrzykiwania poleceń B3 Lakery.

Znajdowanie rzeczy na obrazach. Large 4 potrafi przeprowadzać wizualne ugruntowanie: może zaznaczyć, gdzie znajduje się obiekt, a nie tylko go opisać. DIOR-RSVG testuje to na zdjęciach satelitarnych i powietrznych, a Dense200 testuje w zatłoczonych scenach. Demonstracje Mistrala obejmują skanowanie obrazów satelitarnych o rozdzielczości gigapikselowej i sprawdzanie części na rysunkach inżynieryjnych.

Prace prawne i finansowe. W benchmarku agenta prawnego Harvey'a, Vals AI klasyfikuje go na szóstym miejscu spośród 76 modeli i na pierwszym miejscu wśród modeli otwartych. W benchmarku finansowym Finch, wykres Mistrala pokazuje, że jest na równi z DeepSeek V4 Pro.

Artificial Analysis podsumowało wydanie w ten sposób: "Francja wraca do posiadania najinteligentniejszego modelu spoza USA i Chin."

Gdzie ma braki

Large 4 nie jest wszechstronnym modelem na czołowej pozycji:

• Inteligencja ogólna. Uzyskuje 38 punktów w Indeksie Inteligencji Artificial Analysis. To równoważy GPT-6 Luna i znajduje się za otwartymi modelami GLM-5.3 (45) i Kimi K3 (44).
• Kodowanie z dużą ilością terminali. Uzyskuje 22,7% w Terminal-Bench 4 w badaniach Vals AI, co plasuje go na 21. miejscu spośród 45. Claude Opus 5.5 uzyskuje 65,2%.
• Dowody matematyczne i długie raporty PDF. Uzyskuje 10% w ProofBench i 19% w GDP.pdf. GPT-6 Astra uzyskuje około 32% w GDP.pdf.
• Koszt za zadanie. Według obliczeń Artificial Analysis, jedno zadanie w Indeksie Inteligencji kosztuje 1,13 USD po cenie katalogowej. Podobnie zdolne otwarte modele, takie jak GLM-5.3-Flash, kosztują około 0,25 USD.

Jak wypada w porównaniu do Large 3

Large 4 kosztuje około 2,7 razy więcej za token niż Large 3. Dla prostych, wysokowolumenowych prac tekstowych, które Large 3 już dobrze obsługuje, aktualizacja może się nie opłacać.

Dwie rzeczy, które warto wiedzieć, zanim go nazwiesz

Myślenie jest włączone domyślnie. W API Mistrala, reasoning_effort przyjmuje "none" lub "high". Przez AIHubMix, testy z 9 października wykazały, że model myśli niezależnie od tego, co mówi reasoning_effort, w tym "none", a tokeny myślenia są naliczane jako wyjście. Aby wyłączyć myślenie, wyślij "reasoning": {"effort": "none"} w treści żądania, jak pokazano w poniższym przykładzie. Gdy myślenie jest włączone, przewodnik Mistrala dotyczący rozumowania mówi, aby odesłać je w następnym ruchu. Przez AIHubMix przychodzi to w osobnym polu reasoning_details, a następne żądanie akceptuje to jako część wiadomości asystenta.

To jest podgląd. Polityka cyklu życia Mistrala pozwala na ciche aktualizacje modeli podglądowych i daje miesiąc powiadomienia przed wycofaniem jednego z nich. Zachowaj mały zestaw testowych podpowiedzi i powtarzaj je od czasu do czasu.

Wypróbuj go przez AIHubMix

AIHubMix udostępnia Large 4 przez swój punkt końcowy Chat Completions zgodny z OpenAI. Jeśli jeszcze nie skonfigurowałeś klucza, szybki start zajmuje kilka minut.

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": "Napisz regułę Sigma, która oznacza PowerShell uruchamiane przez aplikacje Office, "
                   "i wyjaśnij każdy warunek w jednym zdaniu.",
    }],
    extra_body={"reasoning": {"effort": "none"}},  # wyłącza myślenie
)
print(response.choices[0].message.content)

Odpowiedź to zawsze zwykły ciąg w content. Pomijając pole reasoning, model myśli najpierw. Myślenie przychodzi jako lista w message.model_extra["reasoning_details"], a jego tokeny liczą się jako wyjście. Przy włączonym myśleniu, daj max_tokens dużo zapasu. W testach użyto limitu 300 tokenów, który został wykorzystany przez myślenie i zwrócił pustą odpowiedź.

Kto powinien to wypróbować

• Zespoły bezpieczeństwa zajmujące się reprodukcją luk, łatanie, analizą złośliwego oprogramowania lub regułami wykrywania, które zamknięte modele odrzucają.
• Zespoły pracujące z obrazami, takie jak inspekcja satelitarna i powietrzna, rysunki inżynieryjne oraz gęste sceny, gdzie pudełka mają większe znaczenie niż podpisy.
• Budowniczowie w dziedzinie prawa i finansów, którzy chcą otwartego modelu bliskiego czołowym benchmarkom agentów.
• Europejskie organizacje, które potrzebują modelu, który nie jest ani amerykański, ani chiński, z wdrożeniem hostowanym w UE i możliwością samodzielnego hostowania.

Dla ogólnych agentów kodowania lub codziennej pracy wrażliwej na koszty, najpierw porównaj go z innymi modelami. Lista modeli AIHubMix pozwala na uruchomienie tych samych podpowiedzi w porównaniu do Large 4 i jego alternatyw z jednym kluczem.

FAQ

Czym jest Mistral Large 4?
To flagowy model Mistral AI, wydany w publicznym podglądzie 6 października 2026 roku. Jest to model mieszanki ekspertów z 1,05 tryliona parametrów, przyjmuje tekst i obrazy jako wejście oraz zwraca tekst.

Czy Mistral Large 4 jest otwartym źródłem?
Jeszcze nie. Mistral planuje opublikować wagi pod koniec października 2026 roku, ale nie ogłosił jeszcze licencji. Licencja Apache 2.0 dla Large 3 nie przenosi się automatycznie.

Ile to kosztuje?
Cena katalogowa wynosi 1,36 USD za milion tokenów wejściowych, 0,14 USD za milion pamiętanych tokenów wejściowych oraz 4,18 USD za milion tokenów wyjściowych.

Jak długie jest okno kontekstowe?
1M tokenów, według karty modelu Mistrala. To cztery razy więcej niż 256K w Large 3.

Czy jest lepszy od GPT-6 lub Claude'a?
Tylko w określonych obszarach: zadania z zakresu bezpieczeństwa defensywnego, które zamknięte modele odrzucają, wizualne ugruntowanie oraz benchmark agenta prawnego Harvey'a. W zakresie ogólnej inteligencji i kodowania agentów, zamknięte flagowce pozostają znacznie przed nim.

Czy obsługuje rozumowanie?
Tak, i jest włączone domyślnie. Przez AIHubMix myślenie wraca w osobnym polu reasoning_details. Aby to wyłączyć, wyślij obiekt rozumowania z ustawieniem wysiłku na "none" w treści żądania. Ustawienie reasoning_effort na "none" nie wyłącza go w AIHubMix.

Czy potrafi czytać obrazy?
Tak. Akceptuje do 100 obrazów na żądanie i może zaznaczyć, gdzie znajdują się obiekty. Nie potrafi generować obrazów.

Źródła

• Wprowadzenie do Mistral Large 4 (Mistral AI)
• Karta modelu Mistral Large 4 (Dokumentacja Mistrala)
• Mistral Large 4.0 na AIHubMix
• Mistral Large 4: Francja ma najinteligentniejszy model spoza USA i Chin (Artificial Analysis)
• Benchmarki Mistral Large 4 (Vals AI)