Mistral Large 4 vs Claude Opus 5.5: Satu-satunya Angka Head-to-Head Justru Melawan Versi yang Salah

Satu-satunya head-to-head buta yang ada untuk Mistral Large 4 dan Claude Opus 5.5 diukur terhadap versi sebelumnya dari salah satunya. Surge AI menyembunyikan identitas model dan meminta anotator profesional menilai keluaran kode pada skala 1–5; Mistral Large 4 Preview finis kedua dari lima dengan 3,74, di belakang Claude Opus 5 dengan 4,22 dan di depan Kimi K3 dengan 3,59 dan GLM-5.3 dengan 3,60. Claude Opus 5.5 dirilis pada 22 September, jadi hal terdekat dengan perbandingan manusia yang dipublikasikan untuk pasangan ini adalah tiga minggu lebih tua daripada rilis terkini lawannya, dan tidak ada yang menjalankannya ulang. Segala hal lainnya sebanding, dan ini menunjuk ke satu arah: pada Intelligence Index milik Artificial Analysis, Mistral Large 4 Preview bernilai 38,4 dan Claude Opus 5.5 bernilai 58 — peringkat pertama dari 216 model — sedangkan biaya untuk menyelesaikan satu tugas indeks adalah $1,13 versus $5,98.

Kedua fakta itu adalah keseluruhan bentuk keputusan ini. Kesenjangan kemampuan itu lebar dan, pada versi ini, lebih lebar daripada sebelumnya. Kesenjangan biayanya sedikit di atas lima kali lipat, dan tidak bergeser ketika Anthropic memangkas harganya.

Apa itu Claude Opus 5.5, menurut keterangan Anthropic sendiri

Claude Opus 5.5 adalah produk unggulan Anthropic saat ini, dirilis pada 22 September 2026 dan diposisikan untuk pekerjaan agentic berhorizon panjang: sesi multi-langkah, penggunaan alat yang intensif, dan kode. Harganya dipatok $4 per juta token input dan $20 per juta token output, dengan pembacaan cache $0.20 dan penulisan cache $5 — Anthropic menyebut angka-angka itu 20% lebih rendah daripada Opus 5 untuk input dan output serta 60% lebih rendah untuk pembacaan cache. Ada mode Fast dengan harga $8 / $40 yang menurut perusahaan berjalan hingga 2,5x lebih cepat di dalam Claude Code dan Claude Platform. Model ini tersedia di Amazon Web Services, Google Cloud, dan Microsoft Azure, dengan penawaran retensi data nol, dan Anthropic mengatakan Claude Sonnet 5.5 serta Claude Haiku 5.5 akan menyusul dalam beberapa minggu mendatang.

Dua detail di halaman itu lebih penting daripada sisanya. Yang pertama adalah batasan migrasi, bukan fitur: Anthropic menyatakan bahwa Claude Opus 5.5 tidak lagi tersedia dengan mode berpikir dimatikan. Jika pipeline Anda saat ini memanggil Opus 5 dalam mode non-berpikir untuk giliran yang murah, cepat, dan deterministik, konfigurasi itu tidak memiliki penerus langsung di model ini. Yang kedua adalah catatan Anthropic sendiri, yang dicetak di samping skornya, bahwa margin benchmark telah menjadi panduan yang kurang andal untuk perbedaan di dunia nyata — yang merupakan hal tidak biasa bagi seorang vendor untuk ditulis di samping tabel yang sedang ia menangkan, dan itu layak diterima apa adanya ketika Anda membaca angka-angka di bawah ini.

Angka yang dilaporkan vendor dari pengumuman Anthropic adalah Terminal-Bench 4.0 sebesar 66,4%, FrontierCode v1.1 sebesar 54,4%, CursorBench 4.0 sebesar 57,8%, GDPval-AA v2.1 sebesar 1.846 Elo, AutomationBench sebesar 40,0%, Humanity's Last Exam sebesar 67,7% dengan alat, Terminal-Bench-Science 0.1 sebesar 58,7% dan OSWorld 2.1 sebesar 81,8% parsial. Semua itu adalah uji coba Anthropic sendiri, dengan skor model pembanding diambil dari halaman vendor masing-masing, dan tidak ada satu pun yang telah direproduksi secara independen untuk pasangan ini atau pasangan lainnya.

Apa itu Mistral Large 4, per 13 Oktober

Mistral Large 4 adalah pratinjau publik yang diumumkan pada 6 Oktober 2026, revisi v26.10, dan merupakan model terbesar yang pernah dirilis Mistral AI. Perusahaan ini mendeskripsikannya sebagai sparse mixture-of-experts yang secara native multimodal dengan 1,05 triliun parameter total dan 52 miliar aktif, ditambah encoder visi berparameter 1,6 miliar, dilatih dari awal pada 3.800 GPU NVIDIA Grace Blackwell di pusat data Eropa milik Mistral sendiri, pada data yang mencakup lebih dari 160 bahasa. Artificial Analysis mencatat jumlah aktif sebagai 49 miliar, bukan 52 miliar — selisih tiga miliar pada satu dimensi, dicatat alih-alih dirata-ratakan. Kartu model Mistral sendiri menyatakan jendela konteks 1M token; Artificial Analysis membaca 524.288 pada konfigurasi yang diujinya, dan FAQ-nya menyebut 520k, yang merupakan perbedaan antara batas atas yang diiklankan vendor dan jendela yang benar-benar diberikan deployment yang dilayani kepada Anda.

Harga adalah $1,36 per juta token masukan, $0,14 masukan cache, dan $4,18 per juta keluaran pada kartu tarif, dengan promosi peluncuran yang menunjukkan tiga baris yang sama dicoret pada $0,68, $0,07, dan $2,09. Label status pada kartu berbunyi Pratinjau Publik, Terbuka dan v26.10 — dan yang kedua dari itu adalah yang perlu dibaca dengan cermat. Mistral mengatakan bobotnya akan dirilis pada akhir bulan ini, dan postingan peluncuran mengulangi komitmen itu dua kali; yang tidak dilakukannya adalah menyebutkan lisensi. Artificial Analysis melacak bidang ini secara independen dan mencatat nama lisensi sebagai null, menandai model isOpenWeights: false, dan mengklasifikasikannya sebagai proprieter. Tidak ada yang saling bertentangan di sana. Pratinjau yang dilayani dari klaster milik vendor sendiri, tanpa repositori checkpoint dan tanpa teks lisensi, adalah model yang dapat dipanggil alih-alih rilis berbobot terbuka, dan klaim bobot terbuka adalah rencana dengan tenggat waktu yang melekat padanya alih-alih tautan unduhan.

Angka tolok ukur Mistral sendiri, yang seluruhnya dilaporkan vendor, adalah 61,7% pada DeepSWE v1.1, 59,4% pada SWE-Atlas-QnA, 28,3% pada Terminal-Bench 4.0 dan Coding Agent Index gabungan sebesar 49,8%; 59,9% pada AutomationBench di 657 alur kerja bisnis; 1.393 Elo pada AA-Briefcase; 42% pada Dense 200 untuk visual grounding; dan, pada evaluasi sibernya, 82% pada uji reproduce-and-patch yang Mistral gambarkan sebagai yang tertinggi di antara model mana pun, di samping 93% pada 40 latihan kompetisi Cybench. Perusahaan juga mensponsori studi manusia tersamar dan menerbitkannya, yang merupakan bentuk bukti yang lebih kuat daripada tolok ukur yang dijalankan sendiri, dan tetap merupakan studi yang publikasinya dikendalikannya.

Apa yang diubah oleh kenaikan 5.5 pada keputusan ini

Jika Anda membaca halaman Mistral Large 4 versus Claude Opus 5 di blog ini, ada tiga hal baru di sini, dan hanya satu di antaranya yang merupakan pemotongan harga.

• Kesenjangan kapabilitas makin melebar, bukan menyempit. Claude Opus 5 mencetak 50,8 pada Intelligence Index; Claude Opus 5.5 mencetak 58. Dibandingkan dengan 38,4 milik Mistral Large 4 Preview, jaraknya bergerak dari 12,4 poin menjadi 19,6. Peningkatan versi yang menambahkan tujuh poin di puncak papan peringkat sementara sang penantang tetap tidak bergerak membuat jalur terdepan jadi pilihan yang lebih jelas, bukan yang lebih kabur.

• Pemotongan harga tidak sampai ke tagihan. Anthropic memangkas input dan output 20% — $5 / $25 menjadi $4 / $20 — tetapi biaya Artificial Analysis untuk menyelesaikan satu tugas indeks naik, dari $5.86 untuk Claude Opus 5 menjadi $5.98 untuk Claude Opus 5.5. Token yang lebih murah itu justru dihabiskan oleh model yang memakai lebih banyak token. Itulah angka paling berguna di halaman ini dan layak direnungkan: harga daftar adalah masukan bagi tagihan Anda, bukan prediksi atasnya.

• Satu konfigurasi hilang. Mode thinking tidak lagi dapat dimatikan di Opus 5.5. Jika Anda membeli Opus 5 sebagian untuk jalur non-thinking yang murah, model ini tidak menggantikan jalur tersebut, dan keputusan penggantian kini menjadi keputusan dua model, bukan sekadar penukaran versi.

Yang tidak berubah: soal cache masih menguntungkan Anthropic untuk konteks yang berulang — $0,20 per juta untuk pembacaan cache, dibandingkan dengan tarif daftar Mistral sebesar $0,14 dan tarif promosi $0,07. Pada loop agen berkonteks panjang dengan prefiks yang stabil, itulah baris yang paling menggerakkan tagihan, dan kedua angka itu memerlukan pengujian ketat yang sama seperti yang baru saja dikenakan pada harga utama.

Dua model paling bertele-tele di papan peringkat

Artificial Analysis menerbitkan jumlah token keluaran untuk setiap uji indeks tiap model, dan dua model di sini berada di ujung ekstremnya. Claude Opus 5.5 menghasilkan 260 juta token keluaran pada uji tersebut. Mistral Large 4 Preview menghasilkan 200 juta. Median di antara model-model yang diukur adalah 85 juta. Keduanya menghabiskan dua hingga tiga kali lipat dari yang dihabiskan model tipikal untuk menjawab pertanyaan yang sama, dan hanya salah satunya menagih $4 dan $20 per juta token saat melakukannya.

Verbositas bukanlah cacat, dan itu juga bukan sinyal kualitas. Itu adalah pengali pada harga, dan itulah alasan pemotongan harga Opus terjadi tanpa mencapai biaya per tugas. Jika Anda menganggarkan hanya dari kartu tarif, anggarkan juga pengalinya: pada $20 per juta output, model yang mengeluarkan tiga kali median memiliki tarif output efektif yang lebih dekat ke $60 per juta dibandingkan model yang berperilaku median, dan 260 juta token pada suatu rangkaian evaluasi bukanlah kesalahan pembulatan.

Papan skor

• Harga per juta token, input / output — Mistral Large 4 $1.36 / $4.18 harga daftar, $0.68 / $2.09 promosi, vs Claude Opus 5.5 $4.00 / $20.00

• Input yang di-cache — $0,14 harga daftar, $0,07 promosi vs $0,20 per juta pembacaan dan $5,00 per juta penulisan

• Biaya per tugas Intelligence Index — $1.13 vs $5.98, menurut Artificial Analysis

• Indeks Kecerdasan — 38,4, peringkat 65 dari 216 vs 58, peringkat 1 dari 216, menurut Artificial Analysis

• Token keluaran pada proses indeks itu — 200M vs 260M, dibandingkan dengan median 85M

• Jendela konteks — 1M yang dinyatakan oleh Mistral dengan 524.288 pada konfigurasi yang diuji vs 1M menurut pembacaan Artificial Analysis atas Claude Opus 5.5, yang halaman pengumumannya tidak menyebutkan angka apa pun baik yang satu maupun yang lain

• Output maksimum — tidak dipublikasikan oleh kedua vendor

• Kecepatan terukur — tidak dipublikasikan untuk Mistral Large 4 Preview vs 95,2 token output per detik, dengan mode Fast $8 / $40 yang menurut Anthropic mencapai hingga 2,5x

• Bobot dan lisensi — dijanjikan paling lambat akhir Oktober dengan lisensi yang belum disebutkan namanya, saat ini ditandai sebagai proprietary oleh Artificial Analysis, vs tertutup

• Ketersediaan — API pratinjau Mistral dan Mistral Studio, yang dilayani di infrastruktur Eropa milik Mistral sendiri, vs AWS, Google Cloud, Azure, dan katalog OrcaRouter

Kapan Mistral Large 4 menjadi pilihan yang tepat

Pilih Mistral Large 4 ketika pekerjaannya bervolume tinggi, spesifikasinya jelas, dan murah untuk diperiksa. Klasifikasi, ekstraksi, peringkasan dalam skala besar, pembuatan output terstruktur, tinjauan kode tahap pertama, dan ekor panjang tugas internal di mana jawaban yang salah hanya berbiaya percobaan ulang, bukan insiden. Pada $1,13 per tugas indeks dibandingkan $5,98, pipeline yang menjalankan sejuta tugas per bulan tidak perlu argumen rumit untuk membenarkan model murah; yang dibutuhkan adalah model murah itu cukup baik, dan pada AutomationBench — baris di mana sebuah model diminta menyelesaikan alur kerja bisnis biasa — 59,9% yang dilaporkan Mistral sendiri kompetitif dengan angka yang dilaporkan Anthropic untuk Opus 5.5 pada perangkat uji yang sama. Percobaan yang berbeda, vendor yang berbeda, jadi bacalah ini sebagai sinyal, bukan hasil, tetapi inilah baris yang paling dekat dengan apa yang sebenarnya diminta unit bisnis agar dilakukan oleh sebuah model.

Mistral Large 4 juga merupakan satu-satunya sisi dari pasangan ini yang memiliki jalur kredibel menuju penerapan mandiri, dan itu bernilai lebih dari sekadar poin benchmark bagi sebagian pembaca. Janji akan bobot pada akhir Oktober bukanlah bobot, dan lisensi tanpa nama bukanlah lisensi, jadi ini adalah alasan untuk mengamati daripada alasan untuk bermigrasi hari ini. Tetapi di antara dua model di sini, inilah satu-satunya di mana argumen residensi data atau akses di tengah insiden dapat berakhir dengan "kami menjalankannya sendiri". Cerita pelatihan dan penyajian Eropa berada di sisi yang sama dari catatan itu.

Kapan Claude Opus 5.5 menjadi pilihan yang tepat

Pilih Claude Opus 5.5 ketika tugasnya panjang, langkah-langkahnya saling bergantung, dan kesalahan itu mahal. Terminal-Bench 4.0 adalah garis pemisah paling tajam dalam perbandingan ini — Anthropic melaporkan 66,4% untuk Opus 5.5 versus 28,3% dari Mistral untuk modelnya sendiri pada harness yang sama — dan pekerjaan terminal adalah proksi publik terdekat untuk coding agentik, yang merupakan sebagian besar alasan tim membeli model frontier. Selisih Intelligence Index 19,6 poin dan selisih Terminal-Bench hampir 2,4x menunjukkan hal yang sama: ini bukan pilihan yang tipis di ujung yang sulit, dan tidak ada argumen harga yang bisa menutup celah itu jika beban kerja Anda berada di sana. Tambahkan konteks 1M, 95,2 token per detik yang terukur versus angka yang tidak dipublikasikan di sisi lain, mode Fast untuk jalur yang sensitif latensi, dan ketersediaan di tiga cloud utama dengan retensi data nol, maka premi itu membeli keleluasaan operasional yang nyata.

Pertanyaan praktisnya adalah apakah Anda memerlukan seluruh kemampuan premium pada setiap panggilan. Sebagian besar tim yang menjalankan model frontier dalam volume besar mendapati bahwa sebagian kecil permintaan — yakni permintaan dengan ambiguitas multi-langkah yang sesungguhnya — mengonsumsi sebagian besar kemampuan, sedangkan sisanya tidak. Itu adalah keputusan perutean, bukan keputusan model, dan itulah kasus ketika menjalankan keduanya adalah jawaban yang sebenarnya. Claude Opus 5.5 ada dalam katalog OrcaRouter pada harga daftar Anthropic dengan markup 0% di endpoint yang kompatibel dengan OpenAI yang sama dengan 200+ model lainnya, jadi mencoba keduanya hanya membutuhkan satu kunci, bukan kontrak vendor kedua. Mistral Large 4 tidak ada dalam katalog kami saat ini — model ini diakses melalui API pratinjau milik Mistral sendiri dan melalui beberapa platform pihak ketiga — dan itu dinyatakan sebagai fakta tentang daftar kami, bukan pengumuman peluncuran lunak.

Untuk pratinjau, fitur yang membenarkan keberadaannya adalah failover. Mengirim sebagian trafik ke model yang lisensi, bobot, dan konteks yang dilayaninya semuanya masih menjadi pertanyaan terbuka berarti kegagalan yang berguna adalah pengalihan rute alih-alih pemadaman, dan Anda mendapatkan mode kegagalan model yang sebenarnya pada data Anda sendiri, bukan pada papan peringkat milik orang lain.

Satu fakta yang memutuskannya

Tidak ada yang pernah melakukan benchmark terhadap Mistral Large 4 dan Claude Opus 5.5 secara berhadapan langsung pada pengaturan yang disamakan di harness bernama — satu-satunya angka evaluasi manusia secara buta yang ada adalah terhadap Claude Opus 5, dan versi yang Anda pilih sebagai pembanding bukanlah Claude Opus 5 — jadi dasar jujur untuk mengambil keputusan hari ini adalah bahwa model murah berbiaya seperlima dari model mahal per tugas yang diselesaikan dan model mahal unggul sekitar dua puluh poin indeks serta selisih Terminal-Bench hampir 2,4x di depannya, pada harga daftar yang dipangkas Anthropic tanpa memangkas biaya per tugas.

Jika jawaban gagal dalam beban kerja Anda biayanya kurang dari 4,6 percobaan ulang, beli Mistral Large 4. Jika biayanya lebih, beli Claude Opus 5.5 — dan jika Anda belum bisa menjawab pertanyaan itu tentang trafik Anda sendiri, jalankan keduanya di satu endpoint dan biarkan permintaan nyata selama sebulan menjawabnya untuk Anda.