GPT-6.1 Sol vs Mistral Large 4: Het goedkopere model per token is het duurdere model per taak

Het interessante aan het plaatsen van GPT-6.1 Sol naast Mistral Large 4 is niet welke van de twee slimmer is — op de enige onafhankelijke meting die beide hebben, liggen ze niet dicht bij elkaar. Het is dat het model met het lagere prijskaartje juist meer kost om een taak mee af te ronden. Mistral Large 4, dat Mistral op 2026-10-06 als preview heeft uitgebracht, kost $0,68 per miljoen inputtokens en $2,09 per miljoen outputtokens zolang de preview duurt, tegenover $2,00 en $10,00 voor GPT-6.1 Sol sinds Open​AI het op 2026-09-29 uitbracht. En toch zetten de cost-to-run-cijfers van Artificial Analysis Mistral Large 4 op $1,13 per taak tegenover $0,72 voor GPT-6.1 Sol — omdat de goedkopere tokens niet de hele rekening vormen, en omdat redeneermodellen tokens verbruiken in hoeveelheden die je niet uit een prijslijst kunt kiezen.

Alles hieronder komt uit Mistrals eigen aankondiging en documentatie, de model- en prijspagina's van Open​AI, Artificial Analysis-runs voor elk model, en onze eigen servingdata, gelezen op 2026-10-12. Waar een getal van de leverancier zelf is en niemand het opnieuw heeft gedraaid, zegt de zin die het bevat dat.

Twee dates, en slechts één ervan is afgelopen

Nog vóór enige spec is de staat van de twee producten anders, en dat verschil doet in deze vergelijking meer werk dan welke benchmarkcel dan ook.

• GPT-6.1 Sol is een uitgebracht model. Het ging live op de Open​AI API op 2026-09-29 voor $2,00 / $10,00 per miljoen tokens, met $0,10 voor gecachte invoer en $2,50 voor cache-writes, en het is het model in het standaardslot van de API. De tariefkaart is gepubliceerd, het contextvenster is gedocumenteerd en onafhankelijke instrumenten hebben het uitgevoerd. Wat je erover leest, kun je vanmiddag aanroepen.

• Mistral Large 4 is een preview. Mistral heeft het op 2026-10-06 aangekondigd als een mixture-of-experts-model met 1,05 biljoen parameters en 52 miljard parameters die per token actief zijn, beschikbaar via de eigen API van de leverancier tegen previewprijzen. De open weights zijn toegezegd voor het einde van oktober, daarom is dit een preview en geen definitieve release. De preview legt niets vast over de toekomstige lijstprijs, het toekomstige contextvenster of de toekomstige licentie.

Die asymmetrie bepaalt de vorm van alles hieronder. Wanneer de ene kant van een vergelijking een product is en de andere een aankondiging met een datum eraan verbonden, gaan de meeste interessante vragen over timing in plaats van mogelijkheden — en de ene vraag die mensen daadwerkelijk stellen ("moet ik overstappen?") heeft in oktober een ander antwoord dan in november.

Het enige getal waar beide partijen het over eens zijn, en de 14 punten erachter

Artificial Analysis heeft voor beide modellen een onafhankelijke Intelligence Index-rij, en daar zit geen ambiguïteit in:

• Intelligentie-index — GPT-6.1 Sol 52 bij maximale redeneerinspanning; Mistral Large 4 38.

• Kosten om de Index te draaien — GPT-6.1 Sol $0,72 per taak; Mistral Large 4 $1,13 per taak.

• Uitvoersnelheid — GPT-6.1 Sol 65,4 tot 66,8 tokens per seconde over meerdere runs; Mistral Large 4 is ook niet de snelle kant van deze combinatie.

Lees die drie regels samen en de vorm van de ruil wordt zichtbaar. Mistral Large 4 rekent ongeveer een derde van het invoertarief van GPT-6.1 Sol en een vijfde van het uitvoertarief, en kost nog steeds ongeveer 57% meer om dezelfde evaluatietaak te voltooien. Dat is geen prijstruc of een meetartefact; het is wat er gebeurt wanneer een model een bepaald kwaliteitsniveau bereikt door meer tokens uit te geven om daar te komen. De rekening van een redeneermodel wordt gedomineerd door hoeveel tokens het besluit te genereren, niet door het tarief per token op de tariefkaart, en een Index-verschil van 14 punten is een grote hoeveelheid extra denkwerk om terug te winnen.

Niets daarvan maakt Mistral Large 4 een slecht model. Een Index van 38 is een competente, algemeen inzetbare, aan de frontier grenzende score, en voor heel veel productietaken leveren de extra 14 punten niets op dat je kunt gebruiken. Het punt is beperkter en praktischer: koop dit model niet op basis van de veronderstelling dat de goedkopere kaart de maand goedkoper maakt. Meet de kosten per afgeronde eenheid werk, het getal dat Artificial Analysis feitelijk rapporteert en dat je factuur zal weerspiegelen.

Waar Mistrals zaak echt sterk is, en dat is niet de prijs

Drie argumenten voor Mistral Large 4 doorstaan het contact met het Index-nummer, en twee ervan gaan helemaal niet over het model.

•Europese training en soevereine cloud. Mistral is het Europese frontierlab, en de aankondiging valt onder een soevereine-cloudboodschap in plaats van een benchmarkboodschap. Voor een Europese koper in de publieke sector, een gereguleerde bank, of iedereen wiens inkoopregels een jurisdictie voorschrijven, is dat een eis en geen voorkeur — en het is de enige as waarop GPT-6.5 Sol op geen enkele manier kan concurreren. Als uw beperking is "de regels en de data moeten Europees zijn", dan eindigt de zin daar en is het Index-cijfer irrelevant.

• Open gewichten komen eraan, en self-hosting verandert de rekensom. Mistral heeft toegezegd de gewichten voor eind oktober vrij te geven. Een 1,05T/52B mixture-of-experts is geen model dat de meeste teams op hun eigen hardware zullen draaien — 52B actieve parameters is de vriendelijke helft van die zin, het totaal van een biljoen parameters is de onvriendelijke helft — maar voor organisaties die al dat soort infrastructuur draaien, of die een data-residentieregel hebben waaraan geen enkele gehoste API kan voldoen, maken open gewichten van een verbruiksgebaseerde API een vaste kostenpost. GPT-6.1 Sol zal nooit self-hostbaar zijn.

• De previewprijs is echt zolang die geldt. Bij $0,68 / $2,09 is de previewkorting ongeveer de helft van het aangekondigde lijsttarief van $1,36 / $4,18. Als een workload goedkoop genoeg is dat het aantal tokens echt de beperkende factor is — bulkclassificatie, extractie, routering, alles met korte outputs en zonder redeneerlus — dan is die prijs de beste op deze pagina, en het Index-verschil geldt niet voor werk dat nooit een Index van 52 nodig had. Plan gewoon de overstap wanneer de preview afloopt, in plaats van erdoor verrast te worden.

Wat geen argument is, is ruwe capaciteit in het topsegment. Bij agentic coding en langdurig toolgebruik is de kloof zichtbaar, en het is de richting die je van de Index zou verwachten: de regel voor GPT-6.1 Sol in Artificial Analysis Terminal-Bench 4.0 vermeldt 56,06, en hetzelfde instrument zette zijn voorganger, GPT-6 Sol, op 43,94 — een generatieverschuiving van ongeveer 12 punten op een benchmark die specifiek gaat over het afronden van taken in een shell.

Het contextnummer dat zichzelf tegenspreekt

Dit is de enige specificatie op de pagina die je niet met vertrouwen kunt citeren, en het is de moeite waard om dit aan te kaarten in plaats van te verdoezelen.

Mistral's eigen documentatie voor Mistral Large 4 beschrijft een contextvenster van maximaal 1 miljoen tokens. Het onafhankelijke record voor het model bij Artificial Analysis vermeldt 524.000. Die twee getallen zijn geen afrondingsverschil; het is een factor twee, en ze wijzen op verschillende zaken. De meest waarschijnlijke verklaring is dat het ene het plafond van de architectuur beschrijft en het andere wat er daadwerkelijk wordt geserveerd tijdens een preview — een onderscheid dat enorm belangrijk is als je van plan was een grote repository in één aanroep te laden. We hebben niet gezien dat de leverancier een van beide cijfers heeft verzoend, en totdat dat gebeurt, kun je het kleinere getal het beste aanhouden als het getal waarop je kunt bouwen.

Daarentegen heeft geen van de belangrijkste limieten van GPT-6.1 Sol dit probleem. Het contextvenster is 1.050.000 tokens, de maximale uitvoer is 128.000 tokens, en de kennisafsluitdatum is 2026-04-30 — allemaal gedocumenteerd op de modelpagina van de leverancier en in overeenstemming met wat via de API wordt aangeboden.

Wat duizend agenttaken op elk kosten

Neem een werklast die voor beide modellen gewoon is: één aanroep die 40.000 invoertokens bevat en een antwoord van 2.000 tokens oplevert, duizend keer uitgevoerd. Om de twee tariefkaarten vergelijkbaar te houden, ga je ervan uit dat de invoer elke keer vers binnenkomt in plaats van uit een cache te worden geleverd.

• Bij GPT-6.1 Sol — 40.000 inputtokens tegen $2,00 per miljoen is $0,080, en 2.000 outputtokens tegen $10,00 per miljoen is $0,020. Dat is $0,100 per aanroep, of ongeveer $100 voor de duizend.

• Bij Mistral Large 4 tegen previewtarieven — 40.000 invoertokens tegen $0,68 per miljoen is $0,027, en 2.000 uitvoertokens tegen $2,09 per miljoen is $0,004. Dat is $0,031 per aanroep, of ongeveer $31 voor de duizend.

Dus het prijsverschil is reëel en het bedraagt ruwweg drie tegen één bij een vorm waarin de output kort is — met één eerlijk voorbehoud dat juist de andere kant op werkt. GPT-6.1 Sol rekent $0,10 per miljoen voor een gecachte prefix, en de previewdocumentatie van Mistral stelt geen gelijkwaardige korting vast. Draai dezelfde loop met de 40.000 tokens die uit de cache worden geleverd, en de GPT-6.1 Sol-kant zakt naar ongeveer $0,024 per aanroep, wat onder het Mistral-cijfer ligt. De tariefkaarten beslissen deze vergelijking pas als je weet of je invoer zich herhaalt. Verander nu de andere parameter en zie de tweede kloof zich openen: draai dezelfde loop aan de redeneerintensieve kant, waar Mistral Large 4 het tokenverbruik doet dat zijn Index van 38 impliceert, en het cijfer van $1,13 per taak bij een vergelijkbare evaluatie zegt dat de Mistral-kant van de factuur sneller groeit dan de tariefkaart suggereert. De eerlijke samenvatting is dat Mistral Large 4 de rekensom wint voor werk met korte output tegen tarieven voor niet-gecachte input en verliest die bij gecacht werk en bij agentisch werk met een lange horizon, en welke van de twee je draait, is een vraag over je werklast, niet over de modellen.

Beide zijn precies het soort vergelijking waarvoor een router bedoeld is. GPT-6.1 Sol staat in onze catalogus tegen de lijsttarieven van Open​AI met 0% markup — wat Open​AI publiceert, is wat een aanroeper betaalt, en wanneer een leverancier een prijs wijzigt, verandert de catalogusrij mee in plaats van te wachten tot een reseller het merkt. Dat betekent dat de berekening per token hierboven kan worden gecontroleerd aan de hand van de live rij in plaats van aan de hand van deze pagina. Mistral Large 4 is niet iets wat wij aanbieden, dus als je het wilt, is de eigen API van de leverancier en verschillende platforms van derden waar het te vinden is.

Wat te doen op maandag

Er is geen versie hiervan waarin de twee modellen vandaag de dag vervangers voor dezelfde taak zijn, en de reden daarvoor is timing, niet kwaliteit.

Als je deze week een frontier agentic codeermodel nodig hebt — lange tool-loops, context op repositoryschaal, computergebruik, documentintensief professioneel werk — dan is het antwoord GPT-6.1 Sol. Het is de enige van de twee die een afgerond product is, en de prijs ervan is gepubliceerd en stabiel. Calculeer in dat de outputmeter is waar het geld naartoe gaat, en houd de werkset onder de drempel van 272.000 tokens waarboven het hele verzoek opnieuw wordt geprijsd.

Als je in Europa bent en je vereisten een rechtsgebied noemen, of als je van plan bent zelf te hosten omdat geen enkele API aan je dataregels voldoet, is Mistral Large 4 hier de enige kandidaat, ongeacht de scores — maar het deel waarop je wacht, de gewichten, bestaat nog niet, en het contextgetal waarop je je infrastructuur zou dimensioneren, loopt momenteel met een factor twee uiteen. Let op de release van de gewichten en of de leverancier 1M met 524.000 weet te verzoenen voordat je er een deployment aan vastlegt.

En als wat je eigenlijk wilt, is om beide te gebruiken — Mistral Large 4 voor de goedkope laag met hoog volume en GPT-6.1 Sol voor de harde staart — dan is de praktische beperking dat de twee op verschillende sleutels, verschillende facturatie en verschillende storingsmodi draaien, wat precies het probleem is dat één endpoint met automatische failover over meer dan 200 modellen bestaat om op te lossen. In de tussentijd is de rij die het openen waard is degene die daadwerkelijk bestaat: de GPT-6.1 Sol-modelpagina op https://www.orcarouter.ai/models/openai/gpt-6.1-sol.