Mistral Large 4 vs Claude Fable 5.1: Selisih Tujuh Belas Poin Indeks dan Harga Output Dua Belas Kali Lipat

Pertanyaan dalam perbandingan ini berubah pada 29 Oktober 2026, dan bukan karena Mistral Large 4 menjadi lebih pintar. Sore itu, model tersebut berhenti menjadi pratinjau sewaan dan menjadi unduhan 1,06 TB, yang berarti perbandingan dengan Claude Fable 5.1 bukan lagi sekadar tentang model mana yang menjawab lebih baik — melainkan juga tentang batasan mana yang dapat Anda jalani. Claude Fable 5.1 adalah model dengan harga $10 per juta token input yang dapat Anda panggil melalui API dan tidak pernah dapat Anda miliki, sesuaikan, atau jalankan di perangkat keras Anda sendiri. Mistral Large 4 adalah campuran pakar dengan satu triliun parameter yang kini dapat Anda miliki, adaptasi, dan terapkan di dalam jaringan Anda sendiri, di bawah lisensi yang secara eksplisit melarang Anda menjualnya kembali sebagai layanan. Yang satu adalah kontrak. Yang lain adalah unduhan dengan klausul terlampir.

Soal kemampuan, jawabannya tidak berdekatan, dan itu perlu dikatakan sebelum diskusi harga dimulai. Indeks Intelligence v5 dari Artificial Analysis menempatkan Claude Fable 5.1 pada 43 dan Mistral Large 4 pada 26. Itu adalah selisih tujuh belas poin pada instrumen yang sama, dan selisih itu tetap bertahan di bawah setiap catatan wajar mengenai versi indeks, karena kedua angka merupakan pembacaan v5 — Fable 5.1 dari papan peringkat langsung, Large 4 dari angka yang dikutip Mistral pada kartu modelnya sendiri. Jika indeks dijalankan ulang, kedua angka akan berubah; urutannya tidak.

Di mana kesenjangan itu sebenarnya muncul

Benchmark publik sejalan dengan indeks, yang tidak biasa. Kedua set angka di bawah ini dijalankan oleh vendor dan keduanya belum direproduksi secara independen, jadi perlakukan keduanya sebagai klaim dengan status setara, bukan sebagai bukti kualitas yang berbeda.

• Terminal-Bench 4.0 — Claude Fable 5.1 sebesar 55,8% menurut Anthropic; Mistral Large 4 sebesar 41% menurut Mistral. Kedua vendor menjalankan harness mereka sendiri, dan angka yang dilaporkan Anthropic sendiri muncul sebagai 58,1% dalam beberapa tulisan, sehingga angka desimal persisnya tidak pasti di kedua kolom.

• Sains berhorizon panjang — Claude Fable 5.1 pada 52,6% di Terminal-Bench-Science 0.1, klaim unggulan Anthropic dan klaim yang sejak itu ditempatkan jauh lebih rendah oleh tabel lab kedua untuk model yang sama. Mistral Large 4 tidak punya baris terbitan yang sebanding, yang dengan sendirinya informatif: model ini diposisikan untuk pengodean dan keamanan, bukan untuk sains agenik setingkat riset.

• Humanity's Last Exam — 60,9% tanpa alat dan 65,0% dengan alat, untuk Claude Fable 5.1. Mistral menerbitkan 35,0% pada benchmark yang sama untuk pratinjau Oktober. Angka pratinjau itu mendahului tiga minggu RL dan checkpoint final, sehingga meremehkan model yang dirilis — tetapi itu adalah satu-satunya angka yang telah diterbitkan pihak mana pun untuk HLE.

• Pekerjaan keamanan — di sini Mistral Large 4 adalah klaim yang lebih kuat, dengan 79% pada CyberGym-E2E dan 97,1% pada rangkaian keamanan agen B3 miliknya setelah RL. Model-model Anthropic lebih sering menolak pekerjaan ini daripada gagal mengerjakannya, yang merupakan perbedaan kebijakan sekaligus perbedaan kapabilitas dan tidak boleh dibaca sebagai kesenjangan kapabilitas.

• Efisiensi token — menurut cara Mistral sendiri membingkainya, model yang dirilis itu membutuhkan 47% lebih sedikit token per tugas dibandingkan GLM-5.3, dengan hasil seri 48% pada Coding Agent Index dari Artificial Analysis. Ini adalah baris langka ketika seorang vendor menerbitkan sisi biaya dari sebuah benchmark bersama skornya, dan itu adalah angka paling berguna di kedua kolom tersebut.

Angka yang tampak seperti regresi dan ternyata bukan

Versi pratinjau Mistral Large 4 memperoleh skor 38,4 pada indeks Artificial Analysis. Versi rilisnya memperoleh skor 26. Pembaca awam yang membandingkan kedua angka tersebut akan menyimpulkan bahwa tiga minggu pembelajaran penguatan membuat model itu lebih buruk dua belas poin. Tidak demikian. Angka 38,4 tercatat pada indeks v4.3; Artificial Analysis membangun ulang indeksnya pada akhir Oktober, dan pembangunan ulang v5 adalah instrumen yang lebih keras secara keseluruhan — model yang berada di kisaran lima puluhan pada v4.3 berada di kisaran empat puluhan pada v5. Kedua angka itu bukan pengukuran atas hal yang sama, dan mengurangkan keduanya adalah kesalahan paling umum dalam pemberitaan tentang rilis ini.

Peringatan yang sama berlaku untuk angka Terminal-Bench 41%. Mistral melaporkan 28,3% sebelum RL tambahan dan 41% sesudahnya, yang merupakan kenaikan setara-sebanding yang autentik pada satu harness. Namun, 41% tetap merupakan skor absolut yang rendah dibandingkan 55,8% milik Claude Fable 5.1, dan sebanyak apa pun pembingkaian perbaikan tidak mengubah urutan itu juga.

Klausul lisensi yang menentukan lebih dari sekadar celah

Mistral Large 4 dirilis di bawah Mistral Ecosystem Open-Weight License, yang oleh perusahaan dijelaskan sebagai teks MIT yang dimodifikasi. Dalam praktiknya, lisensi ini memberikan empat hal dan menahan satu:

• Penggunaan komersial, tanpa ambang batas pendapatan — tidak ada kalimat "Anda harus berada di bawah $X juta untuk menggunakan ini".

• Fine-tuning dan model turunan, yaitu klausul yang membuat pekerjaan RL hari-nol dapat dilakukan sama sekali.

• Penerapan internal dan hosting on-premises, yang merupakan gagasan AI berdaulat yang menjadi dasar seluruh peluncuran Mistral.

• {{1}}Penyematan di dalam suatu produk, dengan pengecualian yang mencakup penggunaan tersemat dan sekadar penerusan keluaran.{{/1}}

• Tidak diberikan: mengoperasikan bisnis model-as-a-service di atasnya. Jika Anda ingin menyiapkan endpoint API per token dan menjual akses, Anda memerlukan perjanjian komersial terpisah dengan Mistral.

Claude Fable 5.1 tidak memiliki pertanyaan yang setara karena tidak memiliki lisensi yang setara. Anda hanya mendapatkan API, ketentuan layanan, dan batas laju. Anda tidak mendapatkan bobot model, tidak dapat melakukan fine-tuning, dan tidak dapat menempatkan model di dalam jaringan terisolasi (air-gapped) dengan harga berapa pun. Ketentuan Anthropic menambahkan pembatasannya sendiri yang mengarah ke hal yang sama: pada API milik vendor itu sendiri, retensi data nol harus diotorisasi secara khusus, penggunaan alat secara paksa tidak didukung, dan proses thinking tidak dapat dimatikan. Mengarahkan model yang sama melalui penyedia dengan perjanjian retensi nol adalah cara tim mengakali pembatasan pertama tersebut. Pembatasan itu penting bagi pembeli di sektor teregulasi, sedangkan selisih indeks tujuh belas poin tidak.

Biaya, dengan catatan mengenai verbositas

Harga daftar lebih dulu, karena harga promosi akan berakhir dan harga daftar adalah yang tercantum dalam kontrak.

• Claude Fable 5.1 — $10,00 per juta token masukan, $50,00 per juta token keluaran, dengan pembacaan cache dipangkas menjadi $0,25 per juta. Harga batch memangkas keduanya menjadi separuh, yaitu $5 dan $25.

• Mistral Large 4 — $1,36 per juta input, $4,18 per juta output pada harga daftar, saat ini didiskon sekitar setengah menjadi sekitar $0,68 dan $2,09 tanpa tanggal berakhir yang diumumkan.

Pada harga daftar, itu 7,4× untuk input dan 12× untuk output. Pada promosi saat ini, angkanya lebih mendekati 15× dan 24×. Keduanya cukup besar sehingga pertanyaan harga lebih penting daripada pertanyaan benchmark bagi siapa pun yang memiliki volume nyata, dan itulah alasan jujur mengapa perbandingan ini ditulis sama sekali.

Peringatannya adalah verbositas, dan itu masalah nyata. Pada uji indeks Artificial Analysis untuk versi preview, Mistral Large 4 menghasilkan output sekitar 200 juta token dibandingkan median papan peringkat sekitar 85 juta. Harga per token dikalikan dengan faktor tersebut. Jika 200 juta token output yang sama diproses melalui kedua model, perhitungannya adalah $418 untuk Mistral Large 4 dengan tarif promosi versus $10.000 untuk Claude Fable 5.1 dengan harga daftar. Kelipatan itu tetap bertahan meskipun ada verbositas — mengecil, tidak terbalik — tetapi siapa pun yang mengutip rasio per token tanpa memeriksa berapa banyak token yang benar-benar dihasilkan model hanya mengutip setengah angka. Apakah checkpoint yang dirilis sama bertele-tele dengan versi preview belum terukur; klaim Mistral tentang pengurangan token output sebesar 30% dari RL tambahannya adalah jawaban perusahaan sendiri atas pertanyaan itu.

Di mana masing-masing sebenarnya dapat dipanggil

Ini adalah bagian dari perbandingan ketika kedua model tidak lagi simetris. Claude Fable 5.1 tercantum dalam katalog OrcaRouter sebagai anthropic/claude-fable-5.1, dengan konteks 1M token, harga $10/$50, dan tarif baca cache yang lebih rendah yang diteruskan pada harga daftar penyedia — tanpa markup tambahan, sehingga perubahan harga dari vendor berlaku pada hari yang sama. Mistral Large 4 tidak ada dalam katalog tersebut. Kami tidak menyediakannya, dan artikel ini bukan jalur untuk mengaksesnya: model yang telah dirilis itu tersedia di Hugging Face dan di balik API milik vendor itu sendiri. Menyatakan hal ini secara terus terang lebih berguna daripada menyiratkan sebaliknya.

Apa artinya dalam praktik bergantung pada sisi lisensi mana Anda berada. Jika Anda menginginkan model yang dapat Anda jalankan di perangkat keras Anda sendiri, audit dari ujung ke ujung, dan adaptasi dengan adaptor LoRA, hanya satu dari dua ini yang tersedia bagi Anda, dan selisih tujuh belas poin adalah harga dari kendali tersebut. Jika Anda menginginkan jawaban terkuat per panggilan dan tidak pernah berniat memiliki apa pun, hanya satu dari dua ini yang merupakan opsi serius, dan harga output dua belas kali lipat adalah biaya dari kemampuan tersebut. Menempatkan keduanya di balik satu kunci dengan failover yang dikonfigurasi per rute adalah versi operasional dari keputusan yang sama: ini memungkinkan Anda menggunakan model mahal secara default dan beralih ke model yang lebih murah tanpa kontrak kedua.

Mana yang harus dipilih

Pilih Claude Fable 5.1 jika pekerjaan Anda adalah eksekusi agentik berjangka panjang, coding yang berat di terminal, atau penalaran sekelas riset di mana jawaban yang salah lebih mahal daripada satu token. Terima klaim Terminal-Bench 55,8% itu dengan catatan bahwa uji tersebut dijalankan oleh vendor, tetapi anggap serius urutannya: tidak ada yang pernah diterbitkan Mistral yang menempatkan Mistral Large 4 di tingkatan yang sama.

Ambil Mistral Large 4 jika kendalanya bersifat legal atau geografis, bukan intelektual. Perusahaan Eropa yang tidak dapat mengirim prompt melintasi batas negara, tim keamanan yang perlu menyingkirkan kebijakan penolakan dari alur, produk yang harus menyertakan model di dalam biner miliknya sendiri — tidak satu pun dari itu dipecahkan oleh skor indeks yang lebih baik, dan semuanya dipecahkan oleh 610 GB bobot NVFP4 tanpa pembatasan serta lisensi yang mengizinkan fine-tuning internal.

Jangan pilih salah satu pun, dan rutekan di antara keduanya, jika jawaban yang jujur adalah bahwa Anda memiliki dua beban kerja dengan batasan yang berbeda. Itulah kasus yang sengaja diciptakan oleh selisih harga, dan itulah kasus yang akan paling sering dihadapi oleh sebagian besar tim.

Pertanyaan terbuka

Angka yang akan mengubah perbandingan ini tidak ada di slide kedua vendor. Angka itu adalah pengujian ulang independen atas checkpoint yang dirilis pada indeks v5 Artificial Analysis, karena angka 26 saat ini berasal dari Mistral yang mengutip pihak ketiga, bukan dari pengukuran baru atas bobot final. Jika tiga minggu RL dan token keluaran 30% lebih sedikit mengubah angka itu secara material, selisihnya menyempit dan argumen harga menjadi lebih kuat. Jika tidak, model yang dirilis hanyalah versi pratinjau dengan perilaku yang lebih baik, dan tujuh belas poin itu bersifat struktural.

Sampai uji coba itu ada, posisi yang bisa dipertahankan adalah yang membosankan: Claude Fable 5.1 adalah model yang lebih baik, Mistral Large 4 adalah lisensi yang lebih baik, dan satu-satunya orang yang menganggap ini sebagai pilihan yang nyaris imbang adalah mereka yang membutuhkan keduanya.