Mistral Large 4 vs GPT-6.1 Sol: Satu Bisa Diunduh, Satu Hanya Bisa Disewa

Hampir setiap perbandingan Mistral Large 4 dan GPT-6.1 Sol di web terbuka mengutip angka yang sudah tidak ada per 27 Oktober. Halaman-halaman itu menyebut 38 dan 52. Artificial Analysis membangun ulang Intelligence Index-nya menjadi seri v5 pada hari itu, menjalankan ulang model-model tersebut, dan kini menerbitkan 26 untuk Mistral Large 4 dibandingkan 55 untuk GPT-6.1 Sol. Itu bukan perubahan pada salah satu model — melainkan instrumen yang berbeda, dengan sembilan evaluasi alih-alih kumpulan lama dan campuran yang jauh lebih sulit — tetapi itu berarti selisih yang mungkin Anda baca, empat belas poin, kini dua puluh sembilan poin di atas kertas dan tidak dapat dibandingkan dengan apa pun sebelum pembangunan ulang. Perbandingan lintas putaran indeks adalah kesalahan paling umum di bidang ini, dan sebaiknya pastikan pasangan saat ini benar sebelum berdebat tentang hal lain.

Yang membuat pertandingan ini lebih menarik daripada sekadar selisih skor adalah bahwa sejak pagi ini kedua produk tidak lagi merupakan jenis barang yang sama. GPT-6.1 Sol telah menjadi model sewaan sejak OpenAI merilisnya pada 29 September 2026 dengan harga $2,00 dan $10,00 per juta token; Anda hanya bisa memanggilnya, tidak bisa memilikinya. Mistral Large 4, yang dipratinjau pada 6 Oktober 2026, mempublikasikan bobotnya pada 29 Oktober 2026 pukul 14.51 UTC — 1.060,6 GB dalam FP8 dan 610,1 GB dalam NVFP4, terbuka untuk diunduh, di bawah lisensi MIT yang dimodifikasi. Salah satu model ini memiliki meteran yang tidak pernah berhenti. Meteran model lainnya berakhir pada hari Anda membeli perangkat kerasnya. Itulah keputusannya, dan tabel benchmark merupakan turunan hilir dari keputusan itu.

Dua produk, dua tanggal, salah satunya sudah selesai

Asimetri ini bukan soal kecil tentang kematangan — ia mengubah pertanyaan mana yang layak diajukan. GPT-6.1 Sol adalah model yang telah dirilis, terdokumentasi, dan diukur secara independen, dengan sepuluh penyedia API tercantum untuknya. Daftar tarifnya sudah final, konteks 1M-nya terdokumentasi, dan posisinya dalam jajaran OpenAI berada di bawah Astra yang merupakan model unggulan, bukan di puncak. Mistral Large 4 menghabiskan dua puluh tiga hari sebagai pratinjau API, dan hari ini ia menjadi sebuah berkas. Daftar tarif layanan hostingnya sudah final pada $0,70 untuk input dan $2,10 untuk output per juta token, dan masa depannya kini sebagian berada di tangan siapa pun yang menjalankannya, bukan dalam peta jalan Mistral.

Enam baris yang penting

Dimensi yang sama di kedua sisi, instrumen terkini, dibaca dari dua halaman model Artificial Analysis dan dokumentasi resmi para vendor pada 29 Oktober 2026:

• Indeks Kecerdasan — GPT-6.1 Sol 55 (seri v5, berperingkat ketujuh dari 54 di kelas perbandingannya); Mistral Large 4 26 (berperingkat kedelapan dari 19 di kelas yang berbeda — kedua peringkat itu tidak berada pada skala yang sama).

• Biaya per tugas Index — GPT-6.1 Sol $1,27; Mistral Large 4 $2,06.

• Harga token — GPT-6.1 Sol $2.00 input / $10.00 output per juta, dengan tier $4.00 / $15.00 di atas 272.000 token input; Mistral Large 4 $0.70 input / $0.07 di-cache / $2.10 output.

• Kecepatan keluaran — GPT-6.1 Sol 79,1 token per detik; Mistral Large 4 161,3.

• Konteks — 1 juta token pada keduanya, didokumentasikan pada keduanya.

• Penyebaran — GPT-6.1 Sol: hanya hosted, tanpa bobot berapa pun harganya. Mistral Large 4: hosted atau self-hosted, 610.1 GB dalam NVFP4, delapan GPU kelas Blackwell dalam resep vLLM yang dipublikasikan.

Indeks adalah rata-rata, dan rata-rata menyembunyikan bentuk suatu kesenjangan. Pada baris individual Artificial Analysis, perbedaannya tidak merata, bukan buruk secara seragam: HLE-Diamond 17% berbanding 59%, Terminal-Bench-Science 0.1 pada 4% berbanding 58%, FrontierCode 2.0 pada 15% berbanding 41%, Terminal-Bench 4.0 pada 25% berbanding 56%, dan GDPpdf pada 18% berbanding 31%. Mistral Large 4 tidak tertinggal dua puluh sembilan poin pada setiap tugas; ia tertinggal jauh pada evaluasi yang memberi imbalan atas penalaran multi-langkah yang berkelanjutan, dan kurang lebih setara pada pekerjaan sekali jalan yang lebih singkat. Jika beban kerja Anda tampak seperti jenis kedua, rata-rata adalah angka yang salah untuk dijadikan dasar pembelian. Jika tampak seperti yang pertama, tidak ada diskon yang bisa menutupinya.

Mengapa angka-angka itu berubah, dan mengapa itu bukan skandal

Rebuild v5 menjalankan ulang seluruh peserta pada set evaluasi baru, dan sekitar 60% di antaranya bersifat privat — pertanyaan yang belum tersedia untuk publik sebelum rebuild. Model tidak semuanya bergerak ke arah yang sama: sebagian turun tajam, sebagian naik. Mistral Large 4 turun dari 38 ke 26 dan GPT-6.1 Sol naik dari 52 ke 55 adalah dua pembacaan atas peristiwa yang sama, dan keduanya bukan tanda vendor sedang mengalami kuartal buruk. Aturan yang mengikutinya sederhana dan mudah dilanggar tanpa sengaja: jangan pernah mengurangkan skor dari satu putaran indeks dengan skor dari putaran indeks lain, dan jangan pernah mengutip selisih yang kedua bagiannya diukur terpisah seminggu. Selisih yang ada hari ini adalah dua puluh sembilan poin pada satu instrumen.

Dua puluh sembilan poin tergolong banyak, dan itu juga bukan keseluruhan cerita. Index 26 menggambarkan model yang kompeten dalam pekerjaan umum dan tidak menonjol pada tingkat kesulitan tinggi; Index 55 menggambarkan salah satu model terkuat yang tersedia. Jika beban kerja Anda adalah pengodean agentik pada repositori besar, jawabannya sudah ditentukan dan tidak ada argumen harga yang mengubahnya. Sisa tulisan ini membahas beban kerja yang jawabannya belum ditentukan.

Pembalikan itu bertahan setelah rebase

Temuan dari periode pratinjau Oktober yang tetap bertahan di bawah instrumen baru adalah inversi harga-per-tugas, dan itu bertahan dengan angka-angka baru. Mistral Large 4 mengenakan biaya sekitar sepertiga dari tarif input GPT-6.1 Sol dan seperlima dari tarif outputnya, namun tetap menelan biaya 62% lebih tinggi untuk menyelesaikan tugas evaluasi yang sama — $2,06 berbanding $1,27. Itu bukan trik penetapan harga. Tagihan model penalaran didominasi oleh berapa banyak token yang ia pilih untuk dikeluarkan, dan Mistral Large 4 mengeluarkan sangat banyak: Artificial Analysis mencatat 110 juta token output dalam sampel verbositasnya dibandingkan median 100 juta, sementara GPT-6.1 Sol berada di 64 juta, di bawah median. Token yang lebih murah dikalikan dengan lebih banyak token bukanlah penghematan, dan faktur akan mengatakan demikian.

Konsekuensi praktisnya lebih sempit daripada “model murah itu diam-diam mahal”. Untuk pekerjaan dengan keluaran pendek — klasifikasi, ekstraksi, perutean, apa pun yang berakhir setelah dua ratus token dan tidak pernah memasuki loop penalaran — harga token adalah tagihannya, dan $0.70 dibandingkan $2.00 adalah seluruh argumennya. Pembalikan ini berdampak pada penalaran jangka panjang, yang justru juga menjadi tempat selisih dua puluh sembilan poin itu berada. Dua pengukuran berbeda yang menunjuk ke arah yang sama adalah alasan untuk memercayai arah tersebut, bukan alasan untuk menggeneralisasikannya ke setiap beban kerja.

Kecepatan bergerak ke arah sebaliknya, dan kesabaran juga demikian.

Mistral Large 4 lebih dari dua kali lebih cepat dalam hal output: 161,3 token per detik berbanding 79,1. Model ini juga mengembalikan token pertama dalam 1,42 detik, sedikit lebih baik daripada median 1,68 detik untuk set pembandingnya. Angka terbitan GPT-6.1 Sol untuk waktu hingga token jawaban pertama adalah 249,48 detik, berbanding median 3,53 detik, yang merupakan jenis angka yang perlu dijelaskan alih-alih dikutip.

249 detik itu hampir pasti bukan latensi dalam pengertian jaringan. Itu adalah waktu yang dihabiskan model untuk bernalar sebelum ia mengeluarkan token jawaban pertama, diukur pada upaya penalaran maksimum, dan itulah cara jujur untuk menunjukkan berapa biaya anggaran penalaran panjang bagi pengguna yang menunggu. Data perutean kami sendiri membuat perbedaan ini konkret: di seluruh 584,7 juta token GPT-6.1 Sol yang dibawa melalui OrcaRouter dalam tujuh hari hingga 29 Oktober, p50 waktu ke token pertama yang di-streaming adalah 1,36 detik sementara p95 adalah 10 detik. Token pertama tiba dengan cepat; jawaban pertamalah yang membutuhkan waktu beberapa menit, dan flag di API menentukan mana yang dialami pengguna Anda. Jika aplikasi Anda men-streaming token penalaran, penantian itu terisi dan dapat ditoleransi. Jika tidak — jika pengguna menatap spinner sampai jawaban pertama tiba — maka token pertama selama empat menit adalah batasan produk yang tidak dapat dikompensasi oleh skor benchmark mana pun, dan model yang menjawab dalam 1,4 detik akan terasa lebih baik daripada model yang lebih kuat dua puluh sembilan poin Index. Inilah sumbu di mana model yang lebih murah dan berskor lebih rendah paling sering menang dalam penerapan nyata, dan itu tidak muncul di tabel perbandingan mana pun.

Apa yang berubah pagi ini: meteran berakhir

Hingga hari ini, argumen self-hosting untuk Mistral Large 4 hanyalah sebuah janji, dan janji tidak bertahan dalam tinjauan pengadaan. Kini argumen itu telah menjadi sebuah repositori. Dua checkpoint, satu berkas lisensi, dan resep penyajian yang diterbitkan vendor: vLLM dengan paralelisme tensor 8 dan cache KV MLA FP8, SGLang pada tp-size 4, keduanya dengan kepala draf DSpark tertanam untuk penyandian spesulatif alih-alih model kedua.

Yang dibeli oleh itu bukanlah token yang lebih murah — melainkan berakhirnya token sebagai satuan biaya. Pada perangkat keras milik sendiri, tagihannya menjadi penyusutan, listrik, ruang rak, dan insinyur yang mengelola klaster, dan beban kerja yang berjalan pada volume tinggi dan stabil berubah dari biaya variabel menjadi biaya tetap. Itulah argumen bagi bank Eropa dengan aturan residensi data, kontraktor pertahanan yang pengadaannya melarang inferensi asing, atau produsen yang menyematkan model dalam lini produk selama lima tahun. Ini bukan argumen bagi startup dengan trafik yang melonjak-lonjak dan tanpa tim operasi: bobot 610 GB, delapan GPU Blackwell, dan cache KV 1 juta token adalah proyek modal, dan tarif hosted $0.70 lebih murah daripada modal tersebut untuk waktu yang sangat lama.

Lisensi adalah bagian yang sering dilewatkan orang. Ini adalah MIT yang dimodifikasi dengan satu klausul yang penting: menjalankan bobot sebagai layanan model-as-a-service memerlukan lisensi komersial terpisah dari Mistral. Namun, baca definisinya dengan cermat — definisi itu mengecualikan produk end-user yang tertanam dan "sekadar meneruskan permintaan ke model yang dihosting pihak lain", jadi gateway yang meneruskan lalu lintas ke inferensi yang dihosting Mistral dikecualikan, sementara perusahaan yang membangun farm inferensinya sendiri dan menjual kembali akses tidak. Jika rencana Anda adalah "unduh lalu jadi penyedia", baca klausul itu sebelum penawaran harga perangkat keras.

Di mana masing-masing sebenarnya adalah jawaban yang tepat

• Pengodean agentik, penggunaan alat berhorizon panjang, pekerjaan repositori besar — GPT-6.1 Sol. Kesenjangan Index paling lebar justru di sini, dan premi harga adalah biaya untuk menjadi benar.

• Ekstraksi dan klasifikasi bervolume tinggi dengan keluaran singkat — Mistral Large 4 dengan input $0.70. Plafon penalaran tidak pernah aktif, sehingga kesenjangan Index tidak pernah berlaku.

• Penerapan yang diatur dan terikat pada yurisdiksi — Mistral Large 4, dan bukan karena ia lebih baik. GPT-6.1 Sol tidak dapat di-host sendiri berapa pun harganya, yang mengakhiri perbandingan.

• Asisten interaktif yang token pertamanya adalah produk — Mistral Large 4 dalam hal kecepatan, kecuali Anda melakukan streaming penalaran dan dapat menanggung penantian.

• Perangkat keamanan defensif — Mistral Large 4, berdasarkan tingkat penolakan 96,6% yang dilaporkan vendor atas permintaan siber berbahaya dan rangkaian benchmark siber yang Mistral jadikan landasan peluncurannya. Angka-angka itu berasal dari Mistral, bukan dari laboratorium independen, dan harus diperlakukan sebagai klaim sampai ada pihak yang mengulang pengujiannya.

• Apa pun yang jawabannya harus benar dan anggaran latensinya longgar — GPT-6.1 Sol. Dua puluh sembilan poin bukanlah kesalahan pembulatan.

Jika Anda akan menjalankan keduanya

Estate campuran adalah hasil normal dari perbandingan seperti ini, dan pertanyaan operasionalnya menjadi bagaimana dua model yang sangat berbeda berada di balik satu tagihan. GPT-6.1 Sol tersedia di OrcaRouter dengan tepat harga daftar OpenAI — $2.00 dan $10.00 per juta token, dengan tingkat di atas 272K sebesar $4.00 dan $15.00 — dirutekan dengan markup 0%, jadi tarif yang Anda lihat adalah tarif yang dikenakan OpenAI. Mistral Large 4 tidak ada di katalog kami: 214 model, tidak ada endpoint Mistral, dan jika Anda ingin memanggilnya, Anda harus menggunakan API Mistral sendiri atau deployment vLLM Anda sendiri. Yang memang disediakan platform ini, untuk separuh hosted, adalah DSL routing — arahkan workload ke satu model dan pindahkan tanpa perubahan kode — dan failover otomatis, yang membuat mencoba model baru di jalur produksi tetap aman. Sambungkan endpoint self-hosted di balik pola yang sama dan kedua bagian perbandingan ini tidak lagi menjadi keputusan yang harus Anda ambil sekali saja.

Dua pertanyaan, bukan satu

Halaman perbandingan akan memberi tahu Anda bahwa GPT-6.1 Sol menang, dan pada satu-satunya instrumen independen yang digunakan kedua model, memang demikian — 55 berbanding 26, dengan biaya 62% lebih rendah per tugas yang diselesaikan dan kecepatan output sedikit di atas setengahnya. Itu adalah jawaban yang benar untuk "model mana yang lebih baik", dan jika itu satu-satunya pertanyaan, pasar sudah menyelesaikannya pada September.

Pertanyaan yang muncul pagi ini berbeda: model mana yang masih bisa Anda jalankan dalam tiga tahun, di perangkat keras yang Anda kendalikan, dengan lisensi yang telah Anda baca. Bagi banyak sekali tim, jawabannya akan tetap "tidak keduanya, kami menyewa" — dan kemudian GPT-6.1 Sol adalah pilihan sewa yang lebih baik. Bagi mereka yang kendalanya adalah kepemilikan, bukan kapabilitas, model yang mencetak skor 26 berhenti menjadi kompromi hari ini dan menjadi satu-satunya opsi yang tersedia. Kedua jawaban bisa sama-sama benar, itulah sebabnya pekerjaan yang menarik bukanlah memilih pemenang, melainkan memutuskan pertanyaan mana yang sebenarnya diajukan organisasi Anda.