Mistral Large 4: Co to jest, ile kosztuje i ta jedna linia wciąż pusta na własnej karcie Mistrala

Mistral Large 4 to flagowy model ogólnego przeznaczenia Mistral AI i szczyt linii Large, który przed nim zajmował Mistral Large 3 — natywnie multimodalny model typu mixture-of-experts, który w dokumentacji samego Mistrala opisano jako mający 1,05 biliona parametrów łącznie, z czego 52 miliardy aktywne, 1,6-miliardowy enkoder wizyjny, okno kontekstu o rozmiarze 1 mln tokenów oraz cenę z cennika wynoszącą 1,36 USD za milion tokenów wejściowych wobec 4,18 USD za milion tokenów wyjściowych. Nazwa w API to mistral-large-4. Tym, czego nie ma na tej karcie, jest rzecz, po którą przychodzi szukać spora część czytelników: plakietka licencji na samej stronie modelu Mistrala głosi „Open", a potem nie wymienia już zupełnie niczego, no i nie ma żadnego repozytorium z checkpointem do pobrania. Taki jest opis tego modelu na dzień 13 października 2026 r.

Kontekst ma znaczenie, więc trafia na sam początek. Mistral ogłosił publiczny podgląd Mistral Large 4 6 października 2026 roku, a ten blog już zawiera tę wiadomość oraz dziewięć wynikających z niej stron z bezpośrednimi porównaniami. Brakowało jednak zwykłej strony stanowiącej ich podstawę. Tę lukę zmierzono, a nie założono: sama nazwa przyniosła 3141 wyświetleń i 68 kliknięć w naszym własnym serwisie w ciągu dwudziestu ośmiu dni do 13 października, rozłożonych na pięć zapytań, podczas gdy kwalifikowane wiersze poniżej niej — artificial analysis przy 129 wyświetleniach, preview przy 122, benchmark przy 84, ollama przy 70 — są niewielkie. Tymczasem wiersze porównawcze konwertują kilkukrotnie lepiej niż samo hasło, i właśnie dlatego strony porównawcze powstały jako pierwsze. To strona dla czytelnika, który wpisał tę nazwę i chciał się dowiedzieć, czym ta rzecz jest.

Nazwa i 4-0 tkwiące w naszych własnych adresach URL

Mistral zapisuje model jako Mistral Large 4. W wpisie zapowiadającym premierę podaje obok tego dwie nieformalne nazwy — „ML4" i „le Chonk" — a jego dokumentacja udostępnia kartę modelu na stronie osiągalnej zarówno pod mistral-large-4, jak i mistral-large-4-0. Odznaka na samej karcie głosi mistral-large-4, a przewodnik wyboru modelu wymienia mistral-large-4 jako nazwę API, więc forma prosta jest obecną nazwą producenta, a końcowe zero to starszy alias przeniesiony z linku z dnia premiery.

To warte jednego zdania uzgodnienia, ponieważ każda strona już tu opublikowana używa formy 4-0 — opis zapowiedzi, strona hostingu i wszystkie dziewięć porównań są skatalogowane pod mistral-large-4-0-*. Te adresy URL prowadzą do tego samego modelu, który opisuje ta strona. Ta strona po prostu przyjmuje pisownię dostawcy dla wpisu referencyjnego, więc czytelnik, który trafia tutaj z samej nazwy, spotyka model pod nazwą, którą jego twórca obecnie podaje.

Trzy etykiety statusu na karcie Mistrala warto czytać razem, ponieważ w trzech słowach oddają całą sytuację modelu: Public Preview, Open i v26.10. Pierwsza mówi, że konfiguracja serwowania może się jeszcze zmienić. Druga to deklaracja otwartych wag. Trzecia to wersja i tylko ona jedna z tych trzech jest po prostu faktem.

Specyfikacja, jak podaje Mistral

Wszystko na poniższej liście to własne sformułowania Mistrala z jego karty modelu, jego przewodnika po wyborze modelu i jego wpisu o premierze. Tam, gdzie niezależne laboratorium odczytuje tę samą liczbę inaczej, ten odczyt jest podany z nazwy w danym wierszu, a nie uśredniony.

• Parametry — łącznie 1,05 biliona, z 52 miliardami aktywnych parametrów, w granularnej rzadkiej architekturze mieszaniny ekspertów. W poście premierowym zaokrąglono całość do „1 biliona parametrów”; karta modelu podaje wartość 1,05 bln. Artificial Analysis odnotowuje liczbę aktywnych parametrów jako 49 miliardów, a nie 52 miliardy, co stanowi różnicę trzech miliardów w tym samym wymiarze.

• Enkoder wizyjny — 1,6 miliarda parametrów, w modelu, który Mistral opisuje jako natywnie multimodalny, a nie dostosowany do obrazów po fakcie.

• Modalności — tekst i obraz na wejściu, tekst na wyjściu, z uwzględnieniem rozumowania. {{1}}Przewodnik wyboru Mistrala klasyfikuje dane wyjściowe jako „rozumowanie, tekst", a Artificial Analysis odnotowuje go jako model rozumujący z uwagą, że może również istnieć wariant nierezonujący.{{/1}} {{2}}Karta produktu z wpisu ogłaszającego nazywa go „hybrydowym MoE typu instruct-and-reasoning".{{/2}}

• Okno kontekstowe — 1 mln tokenów na karcie Mistrala. Artificial Analysis odczytuje 524 288 tokenów w konfiguracji, którą testuje, co jest różnicą między pułapem dostawcy a oknem obsługiwanym.

• Cena — 1,36 USD za milion tokenów wejściowych, 0,14 USD za tokeny wejściowe z pamięci podręcznej, 4,18 USD za milion tokenów wyjściowych, zgodnie z opublikowaną stroną cennika Mistrala. Na tej stronie znajduje się również promocja premierowa, na której te same trzy pozycje są przekreślone i wynoszą 0,68 USD, 0,07 USD i 2,09 USD.

• Języki — ponad 160 języków w danych treningowych, w tym każdy język urzędowy Unii Europejskiej, według samego Mistrala.

• Licencja — bez nazwy. Więcej o tym poniżej, bo to najistotniejsza luka na tej stronie.

Licencje i wagi: co tak naprawdę publikuje to wydanie

Mistral Large 3 został wydany na licencji Apache 2.0. Jego karta modelu na Hugging Face zawiera w metadanych znacznik licencji, a jego wagi można pobrać w formatach FP8, NVFP4 i BF16. Mistral Small 4 i rozmiary Ministral 3 również są objęte licencją Apache 2.0, a Mistral Medium 3.5 widnieje jako Modified MIT. Nic z tego nie przechodzi. Licencję odczytuje się z wydania, które ma się przed sobą, a w przypadku Mistral Large 4 dostawca jeszcze jej nie spisał.

Trzy miejsca w interfejsach samego Mistrala pokazują puste miejsce, a czytelnik może sprawdzić każde z nich w przeglądarce:

• Karta modelu pod adresem docs.mistral.ai zawiera plakietkę licencji, która wyświetla pojedyncze słowo „Open”, bez dołączonej do niego nazwy licencji.

• Przewodnik po wyborze modelu — tabela porównawcza, którą Mistral publikuje dla deweloperów wybierających między swoimi modelami — ma kolumnę Licencja, a każdy sąsiedni wiersz jest wypełniony: Apache 2.0 dla Mistral Small 4, Modified MIT dla Mistral Medium 3.5, Apache 2.0 dla Mistral Large 3. Komórka Licencja w wierszu Mistral Large 4 jest pusta.

• Zakładka Wagi na karcie modelu ma napis „Wkrótce”.

Artificial Analysis, który niezależnie śledzi tę samą dziedzinę, odnotowuje nazwę licencji i adres URL licencji dla Mistral Large 4 jako null, oznacza model isOpenWeights: false i klasyfikuje go jako własnościowy. Ta flaga nie jest zaprzeczeniem marketingu Mistrala; to stwierdzenie o tym, co istnieje dzisiaj. Wersja zapoznawcza udostępniana z własnego klastra dostawcy, bez repozytorium i bez tekstu licencji, jest modelem możliwym do wywołania, a nie wydaniem z otwartymi wagami.

To, do czego zobowiązał się Mistral, to data: „Udostępnimy wagi do końca miesiąca” – jak czytamy w samym wpisie zapowiadającym premierę – wraz z dalszymi szczegółami dotyczącymi architektury, dodatkowymi benchmarkami i metodyką treningu po etapie wstępnym. Przed tym firma twierdzi, że prowadzi okno red-teamingu ze zweryfikowanymi partnerami i krajowymi organami. Konto organizacji na Hugging Face, sprawdzone 13 października, nadal nie zawiera nic nowszego niż z 8 października, a żaden z tych wpisów nie jest checkpointem z linii Large.

A więc dokładny opis dzisiejszego twierdzenia o otwartych wagach jest taki, że to plan z przypisanym terminem, opracowany przez laboratorium, które już wcześniej na tym poziomie udostępniało wagi Apache 2.0. To pozycja mocniejsza niż mglista obietnica, a słabsza niż link do pobrania. Rozróżnienie między tymi dwiema rzeczami to cały powód, dla którego istnieje ta sekcja.

Gdzie działa Mistral Large 4, słowami samego Mistralla

Mistral twierdzi, że API w wersji zapoznawczej jest dostępne w Mistral Studio oraz że model jest „dostępny w wielu regionach na całym świecie, w tym w europejskim wdrożeniu, które Mistral obsługuje od początku do końca, niezależnie od innych dostawców usług cyfrowych i zgodnie z prawem europejskim”. Firma twierdzi również, że wersja zapoznawcza jest obsługiwana na tej samej infrastrukturze, na której wytrenowano model — 3800 procesorów graficznych NVIDIA Grace Blackwell w jej własnych europejskich centrach danych — oraz że model będzie mógł działać w chmurze prywatnej lub lokalnie na potrzeby obciążeń, dla których jest przeznaczony. To są oświadczenia dostawcy dotyczące tego, gdzie działa jego model, przypisywane dostawcy, a nie nam.

Osobno i jasno: Mistral Large 4 nie znajduje się w katalogu OrcaRouter. Nasza bieżąca lista modeli, odczytana 13 października, obejmuje 207 identyfikatorów modeli i żaden z nich nie jest modelem z rodziny Mistral – ani pod nazwą mistral-large-4, mistral-large-4-0 ani w żadnej innej pisowni. Nie twierdzi się tu, że istnieje jakakolwiek trasa, i niczego w tym akapicie nie należy odczytywać jako takiego twierdzenia.

Jedno pytanie wdrożeniowe, na które ta strona nie odpowie ponownie, dotyczy pozycji w Ollama. Mistral Large 4 pojawia się w tej bibliotece jako pojedynczy tag chmurowy, a nie jako możliwa do pobrania drabinka rozmiarów, co stanowi odrębny temat z własnym omówieniem — mistral-large-4-ollama-cloud-only — a czytelnik, który trafił tutaj, chcąc dowiedzieć się, czy może pobrać wagi na lokalną maszynę, powinien przeczytać tamtą stronę, a nie tę.

Wyniki benchmarków i kto je przeprowadził

Wpis Mistrala ogłaszający premierę podaje gęsty zestaw wyników i jest nietypowo wprost co do tego, których z nich firma nie przeprowadziła. Po stronie kodowania agentowego wymienia 61,7% w DeepSWE v1.1, 59,4% w SWE-Atlas-QnA i 28,3% w Terminal-Bench 4.0, co składa się na wynik 49,8% w Coding Agent Index, który według wpisu stawia model przed DeepSeek V4 Pro 0813 i Qwen3.8 Max. W przypadku przepływów pracy agentowych podaje 59,9% w AutomationBench obejmującym 657 biznesowych przepływów pracy, a w przypadku długohoryzontowej pracy wiedzowej podaje 1 393 Elo w AA-Briefcase. W swoich ocenach cyber podaje miejsce w pierwszej piątce w Artificial Analysis Cyber Index, 82% w teście odtwarzania i łatanie opisywanym jako najwyższy wynik spośród wszystkich modeli oraz 93% w 40 ćwiczeniach konkursowych Cybench. W zakresie ugruntowania multimodalnego podaje 42% w Dense 200 wobec 41% dla GPT-6 Astra. Wszystkie te wartości są raportowane przez dostawcę; niektóre opisano we wpisie jako oceniane przez stronę trzecią, zanim to środowisko testowe stało się publiczne, co stanowi mocniejsze pochodzenie niż wynik uzyskany samodzielnie, ale wciąż nie jest wynikiem opublikowanym.

Niezależne liczby są skromniejsze i bardziej użyteczne. Artificial Analysis przyznaje Mistral Large 4 Preview wynik 38,4 w swoim Intelligence Index v4.3, co plasuje ten model powyżej mediany jego klasy porównawczej i na 65. miejscu spośród 216 modeli w tym indeksie. Ta sama strona określa koszt wykonania jednego zadania Intelligence Index na 1,13 dolara i odnotowuje coś, czego wpis o premierze nie wspomina w ogóle: model wygenerował 200 milionów tokenów wyjściowych podczas przebiegu indeksu, wobec mediany 85 milionów, zajmując 107. miejsce na 114 pod względem gadatliwości. Model, który jest powyżej średniej pod względem jakości i znacznie powyżej średniej pod względem liczby tokenów zużywanych na odpowiedź, zmienia arytmetykę rachunku w sposób, w jaki wyniki z nagłówków tego nie robią.

W wpisie premierowym jest jeszcze jedna ślepa ocena, którą warto oddzielić od pozostałych, ponieważ zastosowana metoda jest inna. Surge AI przeprowadziło ślepe porównanie jakości kodu przez ludzi, przy ukrytej tożsamości modeli; profesjonalni anotatorzy ocenili Mistral Large 4 Preview na 3,74 w skali od 1 do 5, co dało mu drugie miejsce na pięć — przed Kimi K3 z 3,59 i GLM-5.3 z 3,60, a za Claude Opus 5 z 4,22. Ślepy panel, za którym stoi nazwany podmiot trzeci, to zupełnie inna kategoria dowodów niż wynik wybrany przez dostawcę, i to jedyna liczba w ogłoszeniu, której sceptyczny czytelnik powinien nadać największą wagę.

Co się zmieniło względem Mistral Large 3, w trzech zdaniach

Mistral Large 3 to rzadki model mieszaniny ekspertów o 675 miliardach parametrów, z 41 miliardami aktywnych parametrów, oknem kontekstowym 256k, enkoderem wizyjnym o 2,5 miliarda parametrów i wagami Apache 2.0, które można pobrać już dziś. Mistral Large 4 podnosi sumę do 1,05 biliona, z 52 miliardami aktywnych parametrów w karcie producenta, podnosi deklarowany kontekst do 1 mln tokenów i dodaje wnioskowanie do modelu, który Mistral wcześniej opisywał jako multimodalny wyłącznie do instrukcji — co jest zmianą rodzaju, a nie tylko skali. Pojawia się również, na razie, bez licencji i punktu kontrolnego, które czyniły Large 3 prostym do wdrożenia.

Artificial Analysis odnotowuje Mistral Large 3 jako przestarzały i wskazuje jako jego cel wycofania Mistral Large 4, co jest najwyraźniejszym dostępnym sygnałem, że są to kolejne generacje tej samej pozycji, a nie równoległe opcje. Własna strona cenowa Mistrala to potwierdza: Large 3 ma cenę $0.50 za milion tokenów wejściowych i $1.50 za milion tokenów wyjściowych, a Large 4 jest wymieniony powyżej, z aktywną parą promocyjną.

Zestaw porównawczy jako wskaźnik, a nie wyrok

Dziewięć stron z bezpośrednimi porównaniami już istnieje dla tego modelu, a ta strona celowo nie powtarza żadnej z nich. Dla czytelnika, który wybiera między Mistral Large 4 a czymś innym, tymi stronami są mistral-large-4-0-vs-claude-opus-5, -vs-deepseek-v4-pro, -vs-gemini-3-1-pro, -vs-glm-5-5, -vs-gpt-6-sol, -vs-grok-4-7, -vs-kimi-k3, -vs-minimax-m3 i -vs-qwen-3-8-max. Zmierzony popyt skupia się dokładnie na tych stronach — mistral large 4 vs claude przy 78 wyświetleniach i 11 kliknięciach, vs opus 5.5 przy 84 i 10 — a obie konwertują znacznie powyżej współczynnika samego terminu, co przemawia za pozostawieniem definicji tutaj, a rozstrzygnięcia tam.

Zależność, którą warto nazwać, to mistral-large-4-0-vs-glm-5-5, ponieważ GLM-5.5 sam jest stroną w tej samej partii, a oba opisy muszą się zgadzać co do porównania, a nie spierać się, mijając się z argumentami. Wszystko inne na liście jest stabilnym celem.

Co nie zostało ustalone

Czy wagi dotrą do końca października i na jakiej licencji. I czy cena promocyjna przetrwa okno podglądu, skoro standardowy cennik i stawka startowa różnią się dokładnie o połowę we wszystkich trzech pozycjach. Oba może sprawdzić czytelnik, nie pytając nikogo: licencja i checkpoint pojawią się na Hugging Face albo nie, a cennik albo nadal będzie pokazywał przekreśloną liczbę, albo nie.

Do tego czasu podejście, do którego zachęca ten model, jest tym, które sugeruje jego własna etykieta etapu. Wywołaj go, zmierz go względem własnego obciążenia — w tym zużycie tokenów, czyli liczbę, którą wpis o premierze pomija — i utrzymuj ścieżkę produkcyjną na czymś, czego zachowanie nie ma zaplanowanych zmian. Wersja zapoznawcza to nie tylko etykieta na cenniku. Oznacza to, że model, licencja i rachunek mogą zmienić się naraz.

W OrcaRouter kierujemy ponad 200 modeli przez jeden punkt końcowy zgodny z OpenAI w cenie katalogowej dostawcy z 0% narzutu przekazywanego dalej — więc zmiana ceny u dostawcy to zmiana ceny po naszej stronie tego samego dnia, niezależnie od tego, którego modelu dotyczy. Automatyczne przełączanie awaryjne to druga połowa tego rozwiązania w przypadku wszystkiego na etapie preview: pozwala, by wycinek rzeczywistego ruchu trafił do nieprzetestowanego modelu, podczas gdy sprawdzony model obsługuje resztę, dzięki czemu regresja jest omijana, zamiast wywoływać kogoś alarmem. Żadne z nich nie jest twierdzeniem o Mistral Large 4, którego nie obsługujemy. To one wyznaczają kształt odpowiedzi dla następnego modelu — i dla tego, który zostaje wydany, zanim wydana zostanie jego licencja.

Nic z tego nie jest hipotetyczne: udokumentowane awarie AI i incydenty z agentami, wobec których napisano to opracowanie referencyjne, są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporne.