Mistral Large 4 vs Qwen3.8 Max: Klaim Keunggulan yang Dibantah oleh Angka yang Dipublikasikan

Peluncuran Mistral Large 4 oleh Mistral menyatakan bahwa skor Coding Agent Index gabungannya sebesar 49,8% menempatkannya "di depan DeepSeek V4 Pro 0813 dan Qwen3.8 Max". Artificial Analysis sudah mencantumkan Qwen3.8 Max pada keluarga indeks yang sama, dan angka Terminal-Bench 4.0-nya adalah 38,9%. Mistral melaporkan modelnya sendiri pada 28,0% di harness tersebut. Kedua angka tersebut berasal dari Artificial Analysis — satu dipublikasikan, satu dihasilkan secara privat sebelum peluncuran harness — dan keduanya menunjuk ke arah yang berbeda. Itu bukan alasan untuk mengabaikan salah satu model. Itu adalah hal yang paling berguna dari perbandingan ini, karena memberi tahu Anda mana dari keduanya yang bisa Anda verifikasi, dan itu menajamkan pertanyaan harga: Qwen3.8 Max berbiaya $2,00 per juta token input dan $6,00 per juta token output, dibandingkan dengan $0,68 dan $2,09 milik Mistral Large 4, sekitar tiga kali lipat, dan pada setiap ukuran yang dipublikasikan, ia adalah model yang lebih kuat.

Keduanya adalah upaya berskala Alibaba dan berskala Mistral untuk hal yang sama — model unggulan multimodal secara native yang melayani sekitar satu juta token konteks dengan penalaran, alat, dan output terstruktur — dirilis dengan selisih sembilan minggu, yang satu dalam pratinjau publik dan yang lain tersedia secara umum. Salah satunya telah tersedia sejak 3 Agustus 2026 dan memiliki kolom penuh skor independen. Yang lain hadir pada 6 Oktober 2026 dengan janji rilis bobot pada akhir bulan dan proses reinforcement learning yang menurut vendornya masih terus menanjak.

Kolom yang diterbitkan dan yang dijanjikan

Qwen3.8 Max adalah tingkat kemampuan tertinggi milik Alibaba hingga saat ini, dan Alibaba memposisikannya secara langsung melawan GPT-5.5, Claude Opus 4.7, dan Gemini 3.1 Pro dalam panduan migrasinya sendiri. Model ini secara native bersifat multimodal untuk teks, gambar, dan video dengan keluaran teks, memiliki jendela konteks 1.000.000 token, dan matriks kemampuannya mengonfirmasi mode berpikir, pemanggilan fungsi, alat bawaan, serta keluaran terstruktur. Model ini disediakan dalam tiga format transmisi — kompatibel dengan OpenAI, kompatibel dengan Anthropic, dan DashScope native — dari Beijing, Singapura, Tokyo, Frankfurt, dan wilayah lainnya.

Di Artificial Analysis, ia mendapat skor 45,4 pada Intelligence Index v4.3.2, peringkat ke-17 dari 147 model, 76,2 pada indeks AA Coding, yakni peringkat ke-9 dari 138 dan setara dengan Kimi K3 di puncak jajaran open-weights. Ia mencatat 92,8% pada GPQA Diamond, 80,3% pada long-context recall, 52,1% pada SciCode, dan 47,8% pada tau-banking. Hasil Terminal-Bench 2.1-nya adalah 88,8%.

Mistral Large 4 adalah model mixture-of-experts granular dengan 49 miliar parameter aktif dari total 1,05 triliun dan encoder visi berparameter 1,6 miliar, dilatih dari nol pada 3.800 GPU NVIDIA Grace Blackwell di pusat data Eropa milik Mistral sendiri dengan data yang mencakup lebih dari 160 bahasa. Model ini menerima teks dan gambar hingga konteks sekitar satu juta token. Halaman Artificial Analysis-nya ada dengan judul "Mistral Large 4 Preview" dan tidak memuat skor Intelligence Index; bobotnya dijanjikan pada akhir Oktober 2026.

• Indeks Kecerdasan — Qwen3.8 Max 45.4 (ke-17 dari 147) vs Mistral Large 4 belum dipublikasikan

• Indeks Pengodean — Qwen3.8 Max 76.2 (ke-9 dari 138) vs Mistral Large 4 tidak ada yang sebanding

• Terminal-Bench 4.0 — Qwen3.8 Max 38,9% vs Mistral Large 4 28,3%, dievaluasi secara privat

• Jendela konteks — Qwen3.8 Max 1,000,000 token vs Mistral Large 4 sekitar 1,000,000

• Modalitas masukan — Qwen3.8 Max teks, gambar, dan video vs Mistral Large 4 teks dan gambar

• Harga input — Mistral Large 4 $0.68 per 1 juta vs Qwen3.8 Max $2.00 per 1 juta

• Harga output — Mistral Large 4 $2,09 per 1 juta vs Qwen3.8 Max $6,00 per 1 juta

• Input cache — Mistral Large 4 $0.07 per 1 juta vs Qwen3.8 Max $0.25 per 1 juta

• Bobot — lisensi terbuka Mistral Large 4 dijanjikan akhir Oktober 2026 vs Qwen3.8 Max tertutup

• Dirilis — Qwen3.8 Max 3 Agustus 2026 vs Mistral Large 4 6 Oktober 2026, pratinjau

Menyelesaikan kontradiksi tersebut, sejauh dapat diselesaikan

Dua angka Terminal-Bench 4.0 itu benar-benar tidak konsisten, dan penjelasan yang paling mungkin adalah yang paling tidak dramatis: keduanya merupakan run yang berbeda. Angka 28,3% milik Mistral digambarkan sebagai dievaluasi secara privat oleh Artificial Analysis sebelum rilis publik harness tersebut, yang berarti angka itu mungkin diukur pada harness pra-rilis, pada tingkat upaya penalaran yang berbeda, atau dengan pengambilan sampel yang berbeda. Angka 38,9% milik Qwen diperoleh pada harness yang telah dipublikasikan dengan konfigurasi apa pun yang distandardisasi oleh Artificial Analysis. Membandingkan keduanya secara langsung sama dengan membandingkan draf dengan versi final, dan drafnya adalah yang tampak lebih buruk.

Perlu juga diperhatikan ke arah mana kontradiksi itu mengarah. Mistral mengklaim memimpin pada Coding Agent Index gabungan — 49,8%, di depan Qwen3.8 Max — sekaligus menerbitkan angka Terminal-Bench 4.0 yang tertinggal sepuluh poin dari Qwen. Indeks gabungan mengagregasi beberapa evaluasi, jadi keduanya bisa benar secara bersamaan, dan model dengan hasil DeepSWE v1.1 yang kuat (Mistral melaporkan 61,7%) serta hasil Terminal-Bench yang lemah tetap bisa menang dalam rata-rata. Tetapi sampai Coding Agent Index dipublikasikan, satu-satunya komponen dari klaim itu yang bisa diperiksa pembaca adalah komponen yang justru menunjukkan Mistral tertinggal. Asimetri itulah yang sepatutnya dicurigai, ke arah mana pun.

Apa yang sebenarnya Anda dapatkan dengan harga tiga kali lipat

Dua hal, dan hanya satu di antaranya adalah performa.

Video adalah yang konkret. Qwen3.8 Max menerima video secara native sebagai input kelas satu; Mistral Large 4 tidak. Bab multimodal Mistral membahas gambar — melakukan grounding pada adegan padat, memverifikasi komponen mekanis dalam gambar teknik, mengambil bukti dari PDF, memindai citra satelit gigapiksel — dan tidak satu pun dari itu membutuhkan gambar bergerak. Jika pipeline Anda memproses rekaman, demonstrasi, atau arsip video, perbandingan harga menjadi tidak relevan, karena salah satu dari model ini tidak dapat menerima input Anda. Ini adalah batas kemampuan, bukan perbedaan daftar harga, dan tidak ada penetapan harga ulang yang akan menggesernya.

Yang kedua adalah bukti. Skor Indeks 45,4 milik Qwen3.8 Max, peringkat ke-9 dalam coding, dan 88,8% pada Terminal-Bench 2.1 semuanya dapat direproduksi pada harness yang dipublikasikan oleh siapa pun yang mau menghabiskan token. ML4 dari Mistral menawarkan klaim batas atas yang lebih tinggi untuk coding agentik dan otomasi, evaluasi manusia secara blind di mana ia sedikit mengungguli Kimi K3 dan GLM-5.3 dalam kualitas coding yang dipersepsikan, serta klaim keamanan siber yang spesifik — 82% pada uji reproduce-and-patch Artificial Analysis, tertinggi di antara semua model yang diuji, dengan 93% pada Cybench. Semua itu dilaporkan vendor atau dievaluasi secara privat. Tim yang harus membenarkan pilihan model dalam tinjauan pengadaan membayar premi tiga kali lipat untuk mendapatkan jawabannya secara tertulis.

Meskipun demikian, angka keamanan siber adalah satu-satunya klaim dalam perbandingan ini yang tidak dapat diimbangi oleh harga yang lebih rendah, karena ini adalah kemampuan, bukan keunggulan. Mistral melaporkan bahwa beberapa model tertutup terkemuka, termasuk Claude Opus 5.5 dan GPT-6 Astra, mendapat skor mendekati nol pada uji reproduce-and-patch yang sama karena mereka menolak tugas tersebut, dan bahwa rata-rata tingkat penolakan ML4 terhadap prompt siber yang diambil dari JailbreakBench, StrongREJECT, dan AgentHarm lebih tinggi daripada tingkat penolakan model open-weight lain, namun tetap menyelesaikan pekerjaan. Qwen3.8 Max tidak dilaporkan pada uji tersebut. Jika pekerjaan Anda melibatkan reproduksi kerentanan, pertanyaannya bukan siapa yang lebih murah; melainkan siapa yang akan benar-benar mengerjakan pekerjaan itu.

Bobot, dan di mana mereka dijalankan

Di sinilah Mistral Large 4 memiliki satu keunggulan struktural yang tidak dapat disentuh oleh harga premium Qwen yang tiga kali lipat. Mistral telah berkomitmen untuk merilis bobot ML4 di bawah lisensi terbuka pada akhir Oktober 2026, beserta rincian arsitektur dan metodologi pasca-pelatihan. Itu mengubah biaya per token menjadi keputusan modal: jika Anda memiliki GPU, Anda berhenti membayar per token, berhenti mengirim data ke pihak ketiga, dan berhenti tunduk pada kebijakan moderasi orang lain. Tingkat Max milik Alibaba adalah penawaran tertutup yang hanya tersedia melalui API, dan tidak ada yang menunjukkan bahwa hal itu akan berubah.

Geografi adalah argumen yang sama dalam register yang berbeda. Qwen3.8 Max dilayani dari Beijing, Singapura, Tokyo, dan Frankfurt antara lain — jejak global yang sesungguhnya, tetapi dioperasikan oleh Alibaba. Pratinjau publik Mistral Large 4 berjalan di atas infrastruktur Eropa milik Mistral sendiri, di wilayah Eropa yang dioperasikan Mistral secara end to end dan independen dari penyedia layanan digital lain, berdasarkan hukum Eropa. Bagi pembeli Eropa yang tunduk pada regulasi, kedua kalimat itu mendukung hasil pengadaan yang sangat berbeda meskipun kedua model tersedia di kota yang sama. Putaran Seri D Mistral senilai €3 miliar — putaran ekuitas terbesar yang pernah dihimpun oleh perusahaan teknologi Eropa — hadir untuk mendanai tepat perbedaan itu, dan ML4 adalah hasil pertama yang diwujudkannya.

Perutean melintasi dua bentuk ketersediaan

Hal yang tidak biasa tentang pasangan ini adalah kedua model tersebut berbeda bukan hanya dalam harga dan kemampuan, tetapi juga dalam cara Anda mengaksesnya. Qwen3.8 Max mendukung protokol yang kompatibel dengan OpenAI, kompatibel dengan Anthropic, dan DashScope native dari berbagai wilayah; Mistral Large 4 adalah satu endpoint pratinjau dari satu operator. Menormalisasi hal itu dari kode aplikasi Anda adalah pekerjaan nyata, dan itulah jenis pekerjaan yang dimulai dari hal kecil lalu bertambah setiap kali penyedia mengubah sesuatu.

Keduanya berada di balik satu endpoint yang kompatibel dengan OpenAI di OrcaRouter dengan markup 0%, dan itulah yang membuat selisih harga dalam artikel ini stabil alih-alih sekadar potret sesaat: harga daftar penyedia diteruskan tanpa diubah, jadi ketika Mistral mengakhiri tarif preview-nya atau Alibaba mengubah tarif Qwen, angka yang dievaluasi oleh aturan routing Anda ikut bergerak bersamanya. DSL routing adalah tempat kekuatan berbeda dari kedua model menjadi satu permukaan pemanggilan — permintaan berisi video ke Qwen3.8 Max, pekerjaan gambar dan dokumen ke Mistral Large 4, dan apa pun yang harus menjaga anggaran ketat dikirim ke ML4 lebih dulu dengan Qwen sebagai eskalasi ketika klaim indeks gabungan ternyata penting pada tugas nyata. Failover otomatis lebih bernilai dalam pasangan ini dibandingkan kebanyakan, karena satu kaki adalah API preview pada bulan pertamanya dan kaki lainnya adalah tier tertutup yang kapasitasnya tidak bisa Anda rencanakan. Ketika pertanyaan coding 49,8 versus 76,2 benar-benar belum diputuskan untuk beban kerja Anda, fusi model dapat menjalankan keduanya pada prompt yang sama dan membiarkan panel memilih, yang lebih murah daripada menjalankan uji banding dua kali.

Vonis

Qwen3.8 Max adalah model yang lebih baik dalam semua hal yang telah dipublikasikan. Skor Index 45,4, indeks coding 76,2, dan 38,9% pada Terminal-Bench 4.0 berada pada revisi yang sama dengan milik semua orang lain, ia menerima video, sudah dikirim selama dua bulan, dan dapat dijangkau melalui tiga wire format dari lima region. Jika performa dan kemampuan verifikasi adalah faktor penentu, harga tiga kali lipat adalah harga yang pantas untuk sebuah flagship yang sudah dikirim dan terukur.

Mistral Large 4 unggul sekitar tiga kali lipat dalam hal harga, lebih dari tiga kali lipat dalam pembacaan cache, dalam pekerjaan keamanan siber yang justru ditolak alternatifnya, dan dalam dua argumen yang tidak dapat dijawab Qwen: janji bobot terbuka pada akhir Oktober, serta penerapan di Eropa yang dijalankan Mistral secara end-to-end. Klaim Coding Agent Index 49,8% adalah hal yang akan menyelesaikannya — jika angka itu muncul di harness publik lebih dulu daripada milik Qwen, model yang lebih murah menjadi yang lebih baik dan premi harganya hilang. Jika tidak, Mistral menjual harga pratinjau untuk model yang tertinggal dari pesaing yang sudah dirilis, dan posisi jujurnya adalah Anda membeli peta jalan, bukan modelnya.

Perhatikan tiga tanggal. Akhir Oktober 2026, ketika bobot ML4 entah dirilis atau klaim bobot terbukanya mereda. Penerbitan Artificial Analysis Coding Agent Index, tempat evaluasi privat Mistral dan skor publik Qwen bertemu di satu kolom. Dan akhir periode pratinjau, kapan pun Mistral mengumumkannya, karena $0.68 dan $2.09 adalah tarif peluncuran dan tidak ada ramalan yang semestinya mengasumsikan tarif itu bertahan setelah rilis bobot.