Mistral Large 4: Apa Itu, Berapa Biayanya, dan Satu Baris yang Masih Kosong di Kartu Milik Mistral Sendiri

Mistral Large 4 adalah model generalis unggulan Mistral AI dan puncak lini Large yang Mistral Large 3 pegang sebelumnya — model mixture-of-experts yang secara native multimodal yang dalam dokumentasi Mistral sendiri disebutkan memiliki 1,05 triliun parameter total dengan 52 miliar parameter aktif, encoder visi 1,6 miliar parameter, jendela konteks 1 juta token, dan harga rate-card $1,36 per juta token input versus $4,18 per juta token output. Nama API-nya adalah mistral-large-4. Yang tidak ada di kartu itu adalah hal yang membuat sebagian besar pembaca datang mencari: lencana lisensi di halaman model Mistral sendiri bertuliskan "Open" lalu tidak menyebutkan apa pun sama sekali, dan tidak ada repositori checkpoint untuk diunduh. Ini adalah deskripsi model tersebut sebagaimana kondisinya pada 13 Oktober 2026.

Framingnya penting, jadi diletakkan di depan. Mistral mengumumkan pratinjau publik Mistral Large 4 pada 6 Oktober 2026, dan blog ini sudah memuat artikel berita itu serta sembilan halaman head-to-head yang menyusul darinya. Yang selama ini hilang adalah halaman biasa di bawahnya. Kesenjangan itu diukur, bukan diasumsikan: nama telanjang itu mendapat 3.141 impresi dan 68 klik di properti kami sendiri dalam dua puluh delapan hari hingga 13 Oktober, tersebar dalam lima kueri, sementara baris-baris terkualifikasi di bawahnya — artificial analysis pada 129 impresi, pratinjau pada 122, tolok ukur pada 84, ollama pada 70 — semuanya kecil. Baris-baris komparatif, sementara itu, mengonversi beberapa kali lebih baik daripada istilah telanjang, yang justru menjadi alasan mengapa halaman perbandingan ditulis lebih dahulu. Ini adalah halaman untuk pembaca yang mengetik nama itu dan ingin tahu apa benda itu.

Nama itu, dan 4-0 yang ada di URL kita sendiri

Mistral menuliskan model tersebut sebagai Mistral Large 4. Pos peluncurannya menawarkan dua sebutan informal di samping itu — "ML4", dan "le Chonk" — dan dokumentasinya menyajikan kartu model dari halaman yang dapat diakses melalui baik mistral-large-4 maupun mistral-large-4-0. Lencana pada kartu itu sendiri berbunyi mistral-large-4, dan panduan pemilihan model mencantumkan mistral-large-4 sebagai nama API, sehingga bentuk polos adalah bentuk terkini dari vendor dan angka nol di akhir adalah alias warisan yang dibawa dari tautan hari peluncuran.

Itu layak mendapat satu kalimat rekonsiliasi karena setiap halaman yang sudah diterbitkan di sini menggunakan bentuk 4-0 — tulisan pratinjau, halaman hosting, dan seluruh sembilan perbandingan diarsipkan di bawah mistral-large-4-0-*. URL-URL tersebut mengarah ke model yang sama dengan yang dijelaskan halaman ini. Halaman ini sekadar mengambil ejaan vendor untuk entri referensi, sehingga pembaca yang tiba di sini dari nama saja akan menjumpai model tersebut dengan nama yang saat ini dicetak oleh pembuatnya.

Tiga label status di kartu Mistral layak dibaca bersama-sama, karena ketiganya merangkum seluruh situasi model ini dalam tiga kata: Pratinjau Publik, Terbuka, dan v26.10. Yang pertama menyatakan bahwa konfigurasi penyajian masih dapat berubah. Yang kedua adalah klaim bobot terbuka. Yang ketiga adalah revisi, dan itulah satu-satunya dari ketiganya yang sekadar fakta.

Spesifikasi tersebut, sebagaimana dinyatakan oleh Mistral

Semua yang ada dalam daftar di bawah ini adalah kata-kata Mistral sendiri dari kartu modelnya, panduan pemilihan modelnya, dan posting peluncurannya. Jika sebuah lab independen membaca angka yang sama secara berbeda, bacaan itu disebutkan pada baris tersebut alih-alih dirata-ratakan.

• Parameter — total 1,05 triliun dengan 52 miliar parameter aktif, pada arsitektur sparse mixture-of-experts yang granular. Pos peluncuran membulatkan totalnya menjadi "1 triliun parameter"; kartu model memberikan angka 1,05T. Artificial Analysis mencatat jumlah aktifnya sebagai 49 miliar, bukan 52 miliar, yaitu selisih tiga miliar pada dimensi yang sama.

• Encoder visi — 1,6 miliar parameter, pada model yang Mistral sebut sebagai multimodal secara native, bukan diadaptasi ke gambar setelahnya.

• Modalitas — teks dan gambar masuk, teks keluar, dengan penalaran disertakan. Panduan pemilihan Mistral mengklasifikasikan output sebagai "penalaran, teks", dan Artificial Analysis mencatatnya sebagai model penalaran dengan catatan bahwa varian non-penalaran mungkin juga ada. Kartu produk dari postingan peluncuran itu sendiri menyebutnya sebagai "MoE hybrid instruksi-dan-penalaran".

• Jendela konteks — 1M token di kartu Mistral. Artificial Analysis membaca 524.288 token pada konfigurasi yang diujinya, yang merupakan perbedaan antara plafon vendor dan jendela yang dilayani.

• Harga — $1.36 per juta token input, $0.14 input yang di-cache, $4.18 per juta output, menurut halaman harga yang diterbitkan Mistral. Halaman itu juga memuat promosi peluncuran yang menampilkan tiga baris yang sama dicoret pada $0.68, $0.07, dan $2.09.

• Bahasa — lebih dari 160 bahasa dalam data pelatihan, termasuk setiap bahasa resmi Uni Eropa, menurut pengakuan Mistral sendiri.

• Lisensi — tanpa nama. Penjelasan selengkapnya di bawah, karena inilah bagian kosong yang paling menentukan di halaman ini.

Lisensi dan bobot: apa yang sebenarnya diterbitkan oleh rilis ini

Mistral Large 3 dirilis di bawah Apache 2.0. Kartu modelnya di Hugging Face mencantumkan tag lisensi dalam metadata, dan bobotnya dapat diunduh dalam FP8, NVFP4, dan BF16. Mistral Small 4 dan ukuran Ministral 3 juga Apache 2.0, dan Mistral Medium 3.5 tercantum sebagai Modified MIT. Tidak satu pun dari itu ikut berlaku. Lisensi dibaca dari rilis yang ada di hadapan Anda, dan pada Mistral Large 4 vendor belum menuliskannya.

Tiga tempat di tampilan Mistral sendiri memperlihatkan bagian kosong itu, dan pembaca dapat memeriksa masing-masingnya di browser:

• Kartu model di docs.mistral.ai memiliki chip lisensi yang hanya menampilkan kata "Open" tanpa nama lisensi yang menyertainya.

• Panduan pemilihan model — tabel berdampingan yang diterbitkan Mistral untuk pengembang yang memilih di antara model-modelnya — memiliki kolom Lisensi, dan setiap baris di sekitarnya terisi: Apache 2.0 untuk Mistral Small 4, Modified MIT untuk Mistral Medium 3.5, Apache 2.0 untuk Mistral Large 3. Sel Lisensi pada baris Mistral Large 4 kosong.

• Tab Bobot pada kartu model bertuliskan "Segera hadir".

Artificial Analysis, yang melacak bidang yang sama secara independen, mencatat nama lisensi dan URL lisensi untuk Mistral Large 4 sebagai null, menandai model isOpenWeights: false, dan mengategorikannya sebagai proprieter. Tanda itu bukan kontradiksi terhadap pemasaran Mistral; itu adalah pernyataan tentang apa yang ada saat ini. Pratinjau yang dilayani dari kluster vendor sendiri, tanpa repositori dan tanpa teks lisensi, adalah model yang dapat dipanggil, bukan rilis open-weights.

Yang menjadi komitmen Mistral adalah sebuah tanggal: "Kami akan merilis bobotnya pada akhir bulan ini," dalam kata-kata postingan peluncuran itu sendiri, beserta rincian lebih lanjut tentang arsitektur, tolok ukur tambahan, dan metodologi pasca-pelatihan. Menjelang itu, perusahaan mengatakan sedang menjalankan jendela red-teaming bersama mitra yang telah diverifikasi dan otoritas nasional. Akun Hugging Face organisasi tersebut, yang dibaca pada 13 Oktober, masih tidak memiliki apa pun yang lebih baru daripada 8 Oktober, dan tidak satu pun entri tersebut merupakan checkpoint Large-line.

Jadi, deskripsi akurat dari klaim bobot terbuka saat ini adalah bahwa itu adalah sebuah rencana dengan tenggat waktu yang melekat padanya, yang dibuat oleh sebuah lab yang sebelumnya pernah merilis bobot Apache 2.0 pada tingkat ini. Itu adalah posisi yang lebih kuat daripada janji yang samar, dan lebih lemah daripada tautan unduhan. Perbedaan antara kedua hal itulah seluruh alasan bagian ini ada.

Di mana Mistral Large 4 berjalan, dalam kata-kata Mistral

Mistral mengatakan API pratinjau tersedia di Mistral Studio, dan bahwa model tersebut "tersedia di berbagai wilayah di seluruh dunia, termasuk penerapan di Eropa yang dioperasikan Mistral secara end-to-end, secara independen dari penyedia layanan digital lain dan di bawah hukum Eropa". Perusahaan juga mengatakan pratinjau tersebut disajikan pada infrastruktur yang sama dengan tempat model dilatih — 3.800 GPU NVIDIA Grace Blackwell di pusat data Eropa miliknya sendiri — dan bahwa model tersebut akan dapat dijalankan di private cloud atau on-premise untuk beban kerja yang menjadi sasarannya. Itu adalah pernyataan vendor tentang di mana modelnya dijalankan, yang diatribusikan kepada vendor dan bukan kepada kami.

Secara terpisah dan jelas: Mistral Large 4 tidak ada dalam katalog OrcaRouter. Daftar model langsung kami, yang dibaca pada 13 Oktober, menyediakan 207 pengenal model dan tidak satu pun di antaranya adalah model keluarga Mistral, dengan nama mistral-large-4, mistral-large-4-0 atau ejaan lain apa pun. Tidak ada rute yang diklaim di sini, dan tidak ada apa pun dalam paragraf ini yang boleh dibaca sebagai rute.

Satu pertanyaan deployment yang tidak akan dijawab ulang oleh halaman ini adalah daftar Ollama. Mistral Large 4 muncul di pustaka itu sebagai satu tag cloud, bukan sebagai rangkaian ukuran yang dapat diunduh, yang merupakan cerita tersendiri dengan tulisannya sendiri — mistral-large-4-ollama-cloud-only — dan pembaca yang datang ingin mengetahui apakah mereka dapat menarik bobotnya ke mesin lokal sebaiknya membaca halaman itu, bukan halaman ini.

Angka benchmark, dan siapa yang menjalankannya

Postingan peluncuran Mistral melaporkan sekumpulan skor yang padat, dan secara tidak biasa eksplisit tentang skor mana di antaranya yang tidak dijalankan perusahaan. Di sisi pengodean agentik, postingan itu mencantumkan 61,7% pada DeepSWE v1.1, 59,4% pada SWE-Atlas-QnA, dan 28,3% pada Terminal-Bench 4.0, yang bergabung menjadi skor Coding Agent Index 49,8% yang menurut postingan itu menempatkan model tersebut di depan DeepSeek V4 Pro 0813 dan Qwen3.8 Max. Untuk alur kerja agentik, postingan itu melaporkan 59,9% pada AutomationBench untuk 657 alur kerja bisnis, dan untuk pekerjaan pengetahuan berhorizon panjang, postingan itu melaporkan 1.393 Elo pada AA-Briefcase. Untuk evaluasi sibernya, postingan itu melaporkan posisi lima besar pada Artificial Analysis Cyber Index, 82% pada uji reproduce-and-patch yang digambarkan sebagai yang tertinggi dari model mana pun, dan 93% pada 40 latihan kompetisi Cybench. Untuk grounding multimodal, postingan itu melaporkan 42% pada Dense 200 dibandingkan 41% untuk GPT-6 Astra. Semua itu adalah angka yang dilaporkan vendor; sebagian dijelaskan dalam postingan tersebut sebagai dievaluasi oleh pihak ketiga sebelum harness itu dipublikasikan, yang merupakan provenans lebih kuat daripada angka yang dijalankan sendiri dan tetap bukan angka yang dipublikasikan.

Angka-angka independen lebih sedikit dan lebih berguna. Artificial Analysis memberi Mistral Large 4 Preview skor 38,4 pada Intelligence Index v4.3 miliknya, yang menempatkan model tersebut di atas median kelas pembandingnya dan di peringkat ke-65 dari 216 model pada indeks itu. Halaman yang sama menyatakan biaya menjalankan satu tugas Intelligence Index sebesar US$1,13, dan mencatat sesuatu yang tidak disebutkan sama sekali dalam postingan peluncuran: model tersebut menghasilkan 200 juta token keluaran selama proses indeks berjalan, dibandingkan median 85 juta, dengan peringkat ke-107 dari 114 dalam hal verbositas. Model yang berada di atas rata-rata dalam hal kualitas dan jauh di atas rata-rata dalam hal token yang dihabiskan per jawaban mengubah aritmetika tagihan dengan cara yang tidak dilakukan oleh skor utama.

Ada juga satu evaluasi buta dalam postingan peluncuran yang layak dipisahkan dari yang lain, karena metodenya berbeda. Surge AI menjalankan perbandingan manusia secara buta atas kualitas pengodean dengan identitas model disembunyikan; anotator profesional menilai Mistral Large 4 Preview 3,74 pada skala 1-5, peringkat kedua dari lima, di depan Kimi K3 pada 3,59 dan GLM-5.3 pada 3,60 serta di belakang Claude Opus 5 pada 4,22. Panel buta dengan pihak ketiga yang disebutkan namanya di baliknya merupakan kelas bukti yang berbeda dari skor yang dipilih vendor, dan itulah satu angka dalam pengumuman yang paling patut diberi bobot oleh pembaca yang skeptis.

Apa yang berubah dari Mistral Large 3, dalam tiga kalimat

Mistral Large 3 adalah model sparse mixture-of-experts dengan 675 miliar parameter, 41 miliar parameter aktif, jendela konteks 256k, encoder visi 2,5 miliar parameter, dan bobot Apache 2.0 yang dapat Anda unduh hari ini. Mistral Large 4 menaikkan totalnya menjadi 1,05 triliun dengan 52 miliar parameter aktif di kartu spesifikasi vendor, menaikkan konteks yang dinyatakan menjadi 1 juta token, dan menambahkan penalaran pada model yang sebelumnya oleh Mistral digambarkan sebagai multimodal khusus instruksi — yang merupakan perubahan jenis, bukan hanya skala. Untuk saat ini, ia juga hadir tanpa lisensi dan checkpoint yang membuat Large 3 mudah diadopsi.

Artificial Analysis mencatat Mistral Large 3 sebagai deprecated dan mengarahkan target deprecasinya ke Mistral Large 4, yang merupakan sinyal paling jelas yang tersedia bahwa ini adalah generasi berurutan dari slot yang sama, bukan opsi paralel. Halaman harga Mistral sendiri sependapat: Large 3 berada pada $0,50 untuk input dan $1,50 untuk output per juta token, dan Large 4 tercantum di atasnya dengan pasangan promosi yang berlaku.

Kumpulan perbandingan, sebagai indeks, bukan putusan.

Sembilan halaman perbandingan langsung sudah ada untuk model ini, dan halaman ini sengaja tidak menjalankan ulang satu pun di antaranya. Bagi pembaca yang sedang memutuskan antara Mistral Large 4 dan sesuatu yang lain, halaman-halamannya adalah mistral-large-4-0-vs-claude-opus-5, -vs-deepseek-v4-pro, -vs-gemini-3-1-pro, -vs-glm-5-5, -vs-gpt-6-sol, -vs-grok-4-7, -vs-kimi-k3, -vs-minimax-m3 dan -vs-qwen-3-8-max. Permintaan yang terukur berada tepat di halaman-halaman itu — mistral large 4 vs claude dengan 78 tayangan dan 11 klik, vs opus 5.5 pada 84 dan 10 — dan keduanya berkonversi jauh di atas tingkat konversi istilah mentahnya, yang menjadi argumen untuk mempertahankan definisi di sini dan penilaian di sana.

Dependensi yang layak disebutkan adalah mistral-large-4-0-vs-glm-5-5, karena GLM-5.5 sendiri adalah sebuah halaman dalam batch yang sama ini dan kedua tulisan tersebut harus sepakat tentang suatu perbandingan, bukan berdebat tanpa saling menanggapi. Segala hal lain dalam daftar adalah target yang stabil.

Apa yang belum terselesaikan

Apakah bobotnya akan tersedia pada akhir Oktober, dan di bawah lisensi apa. Dan apakah harga promosi bertahan melewati jendela pratinjau, karena kartu tarif standar dan tarif peluncuran berselisih tepat setengah pada ketiga baris. Keduanya dapat diperiksa oleh pembaca tanpa bertanya kepada siapa pun: lisensi dan checkpoint akan muncul di Hugging Face atau tidak, dan kartu tarif akan tetap menampilkan angka yang dicoret atau tidak.

Sampai saat itu, sikap yang ditimbulkan model ini adalah sikap yang disiratkan oleh label tahapannya sendiri. Sebut saja begitu, ukurlah terhadap beban kerja Anda sendiri — termasuk pengeluaran token, angka yang tidak dicantumkan dalam postingan peluncuran — dan pertahankan jalur produksi pada sesuatu yang perilakunya tidak dijadwalkan untuk berubah. Pratinjau bukan sekadar label pada daftar harga. Artinya, model, lisensi, dan tagihan semuanya bisa berubah sekaligus.

Di OrcaRouter kami merutekan lebih dari 200 model melalui satu endpoint yang kompatibel dengan OpenAI pada harga daftar penyedia dengan markup 0% yang diteruskan apa adanya — jadi perubahan harga vendor adalah perubahan harga di sisi kami pada hari yang sama, model mana pun yang terdampak. Failover otomatis adalah separuh lainnya untuk apa pun yang masih dalam tahap pratinjau: ini memungkinkan sebagian trafik nyata bertemu dengan model yang belum terbukti sementara model yang sudah mapan menangani sisanya, sehingga regresi dialihkan alih-alih memanggil seseorang. Keduanya bukan klaim tentang Mistral Large 4, yang tidak kami layani. Itulah bentuk jawaban untuk model berikutnya, dan model ini, yang dirilis sebelum lisensinya terbit.

Tidak ada satu pun dari itu yang bersifat hipotetis: kegagalan AI dan insiden agen yang terdokumentasi yang menjadi acuan penyusunan referensi ini dihimpun dalam the OrcaRouter AI Incident Archive , tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda yang diperdebatkan.