Mistral AI veröffentlicht Mistral Large 4 (Le Chonk): Ein multimodales MoE-Modell mit 1.05T Parametern

Mistral AI hat soeben die Veröffentlichung von Mistral Large 4 (ML4) angekündigt, intern mit dem Spitznamen Le Chonk, als öffentliche Vorschau. ML4 ist ein granulares Mixture-of-Experts-Modell mit insgesamt 1.05 Billionen Parametern, 49 Milliarden aktiven Parametern pro Token, einem Vision-Encoder mit 1.6 Milliarden Parametern und einem Kontextfenster von 1 Million Token, laut der Modelldokumentation. Es wurde von Grund auf auf 3,800 NVIDIA Grace Blackwell GPUs in Mistals eigenen europäischen Rechenzentren trainiert.

TL;DR

Mistral AI hat Mistral Large 4 (‘Le Chonk’) am 6. Oktober 2026 als öffentliche Vorschau veröffentlicht: ein granulares MoE mit 1.05T Parametern, 49B aktiven Parametern pro Token, nativer Bildeingabe und einem Kontextfenster von 1M Token, trainiert von Grund auf auf 3,800 NVIDIA Grace Blackwell GPUs in Mistals eigenen EU-Rechenzentren. Die API ist jetzt live zu $1.36 pro 1M Eingabe- und $4.18 pro 1M Ausgabe-Tokens, aber die Gewichte werden erst Ende Oktober ausgeliefert, sodass Self-Hosting noch nicht möglich ist. Seine herausragenden Ergebnisse liegen in der Cybersicherheit, wo Mistral 93% auf Cybench und 82% auf CyberGym-E2E meldet und darauf hinweist, dass mehrere geschlossene Frontier-Modelle nahe null punkten, weil sie die Aufgabe verweigern.

Wie ist die Architektur?

ML4 ist ein hybrides Instruct-und-Reasoning-MoE, das Bildeingaben nativ verarbeitet. Nur etwa 4.7% der Gewichte werden pro Token aktiviert, und genau dadurch kann ein Modell der Klasse mit 1 Trillion Parametern zu Preisen der Mittelklasse dienen. Die vollen 1.05T müssen dennoch im Speicher liegen, daher bestimmt die Anzahl der aktivierten Gewichte den Rechenaufwand – nicht Ihre Hardware-Rechnung.

Mistral hat die Expertenanzahl, das Top-k-Routing oder das Layer-Layout noch nicht veröffentlicht; diese folgen mit den Gewichten. Die Trainingsdaten umfassten mehr als 160 Sprachen, darunter jede offizielle EU-Sprache.

Interaktiver Erklärer

Wie schneidet es ab?

In der Cybersicherheitmeldet Mistral 93% auf Cybench und 82% auf CyberGym-E2E, was ML4 in die globalen Top 5 des Artificial Analysis Cyber Index bringt. Die interessantere Aussage ist strukturell: Mistral gibt an, dass mehrere Frontier-Modelle mit geschlossenen Gewichten auf CyberGym-E2E nahe null punkten, weil sie kategorisch verweigern. Eine Schwachstelle zu reproduzieren, um ihre Echtheit zu belegen, ist Standard-Defensivarbeit, und Refusals auf Anbieterebene blockieren dies.

Beim agentischen Programmierenmeldet Mistral 61.7% auf DeepSWE v1.1, 59.4% auf SWE-Atlas-QnA und 28.3% auf Terminal-Bench 4.0, für einen kombinierten Artificial Analysis Coding Agent Index von 49.8%. Mistral weist darauf hin, dass diese vor der Veröffentlichung des Harness privat evaluiert wurden, sodass sie noch nicht unabhängig reproduzierbar sind.

Eine blinde menschliche Evaluation mit Surge AI ist das ehrlichere Signal. Professionelle Annotatoren bewerteten ML4 Preview mit 3.74 von 5, Platz 2 von 5 Modellen, vor GLM-5.3 (3.60) und Kimi K3 (3.59), aber hinter Claude Opus 5 mit 4.22.

Auf Sicherheit, ML4 widersteht 93.3% der Angriffe auf Lakeras B3-Benchmark und erreicht 1.691 von maximal 2.0 auf KORABench.

Wie schneidet es im Vergleich zu seinen nächsten Open-Weight-Konkurrenten ab?

Was kannst du damit heute bauen?

Die Preview-API unterstützt Function Calling, strukturierte Ausgaben, Dokumenten-QnA, Batching sowie die Endpoints für Agents und Conversations. Zwischengespeicherte Eingaben kosten $0.14 pro 1M Tokens, was die Ökonomie von Agent-Loops mit langem Kontext bei einem 1M-Fenster erheblich verändert.

Kernpunkte

• 1.05T Parameter insgesamt, 49B aktiv pro Token, 1M Kontext, 1.6B Vision-Encoder.
• Trainiert auf 3.800 Grace Blackwell GPUs in Mistrals eigenen EU-Rechenzentren.
• API-Preview jetzt live zu $1.36 pro 1M Input- und $4.18 pro 1M Output-Tokens.
• Gewichte wurden für Ende Oktober 2026 versprochen, daher ist Self-Hosting noch nicht möglich.
• Die stärksten Ergebnisse liegen im Bereich Cybersicherheit, wo geschlossene Modelle die Aufgabe oft verweigern.

Schauen Sie sich die Mistral Large 4 Ankündigung, Mistral Large 4 Modelldokumentation und Artificial Analysis Modellvergleichean. Das gesamte Verdienst gebührt dem Forscher dieses Projekts. Folgen Sie uns außerdem gerne auf Twitter und vergessen Sie nicht, unserem 150k+ML SubReddit beizutreten und unseren Newsletterzu abonnieren. Moment! Sind Sie auf Telegram? jetzt können Sie uns auch auf Telegram beitreten.

[Gesponsert] Das Web ist die eine API, die den meisten Agents fehlt. Datenbanken, Kalender und Repositories haben APIs. Das offene Web größtenteils nicht. Der TinyFish MCP Server bietet jedem MCP-Client vier Tools: TinySearch, TinyFetch (vollständige Seiten als Markdown, inklusive JavaScript), TinyBrowser für Logins und Formulare sowie TinyAgent für mehrstufige Aufgaben. Search und Fetch sind kostenlos.

Der Beitrag Mistral AI veröffentlicht Mistral Large 4 (Le Chonk): Ein multimodales MoE-Modell mit 1,05T Parametern erschien zuerst auf MarkTechPost.