GPT-6.1 Sol vs Mistral Large 4: Den billigare modellen per token är den dyrare modellen per uppgift

Det intressanta med att ställa GPT-6.1 Sol bredvid Mistral Large 4är inte vilken av dem som är smartare – på det enda oberoende mått de båda har är det inte ens nära. Det är att modellen med det lägre listpriset är den som kostar mer att slutföra en uppgift med. Mistral Large 4, som Mistral visade i förhandsversion den 2026-10-06, kostar 0,68 dollar per miljon indatatokens och 2,09 dollar per miljon utdatatokens så länge förhandsversionen varar, mot GPT-6.1 Sols 2,00 och 10,00 dollar sedan OpenAI släppte den 2026-09-29. Och ändå landar Artificial Analysiss siffror för kostnad per körning på 1,13 dollar per uppgift för Mistral Large 4, mot 0,72 dollar för GPT-6.1 Sol – eftersom de billigare tokens inte utgör hela räkningen, och eftersom resonemangsmodeller gör av med tokens i mängder som man inte väljer ur en prislista.

Allt nedan kommer från Mistrals eget tillkännagivande och dokumentation, OpenAIs modell- och prissidor, Artificial Analysis-körningar för varje modell samt våra egna serving-data, lästa den 2026-10-12. När en siffra är leverantörens egen och ingen har återkört den, står det i meningen som innehåller den.

Två dejter, och bara en av dem är avslutad

Innan någon specifikation ens kommer in i bilden är tillståndet för de två produkterna olika, och den skillnaden spelar större roll i den här jämförelsen än någon benchmarkcell.

• GPT-6.1 Sol är en lanserad modell. Den blev tillgänglig i Open​AI API den 29 september 2026 för $2,00 / $10,00 per miljon tokens, med $0,10 för cachad indata och $2,50 för cacheskrivningar, och den är modellen i API:ets standardplats. Dess prislista är publicerad, dess kontextfönster är dokumenterat, och oberoende instrument har kört den. Det du läser om den kan du anropa i eftermiddag.

• Mistral Large 4 är en förhandsversion. Mistral tillkännagav den 6 oktober 2026 som en mixture-of-experts-modell med 1,05 biljoner parametrar och 52 miljarder parametrar aktiva per token, tillgänglig via leverantörens eget API till förhandspris. De öppna vikterna utlovas före slutet av oktober, vilket är anledningen till att detta är en förhandsversion och inte en färdig version. Ingenting om dess framtida listpris, framtida kontextfönster eller framtida licens fastställs av förhandsversionen.

Den asymmetrin sätter formen för allt nedan. När den ena sidan av en jämförelse är en produkt och den andra är ett tillkännagivande med ett datum kopplat till sig, handlar de flesta intressanta frågor om timing snarare än förmåga — och den enda fråga folk faktiskt ställer ("borde jag byta?") har olika svar i oktober och i november.

Det enda numret som båda sidor är överens om, och de 14 punkterna bakom det

Artificial Analysis har en oberoende Intelligence Index-rad för båda modellerna, och det finns ingen tvetydighet i den:

• Intelligensindex — GPT-6.1 Sol 52 vid maximal resonemangsansträngning; Mistral Large 4 38.

• Kostnad för att köra Indexet — GPT-6.1 Sol $0,72 per uppgift; Mistral Large 4 $1,13 per uppgift.

• Utdatashastighet — GPT-6.1 Sol 65,4 till 66,8 tokens per sekund över olika körningar; Mistral Large 4 är inte heller den snabba sidan i den här kombinationen.

Läs de tre raderna tillsammans, så framträder avvägningens form. Mistral Large 4 debiterar ungefär en tredjedel av GPT-6.1 Sols indatapris och en femtedel av dess utdatapris, och kostar ändå omkring 57 % mer att slutföra samma utvärderingsuppgift. Det är inte ett pristrick eller en mätartefakt; det är vad som händer när en modell når en given kvalitetsnivå genom att spendera fler tokens för att komma dit. En resonemangsmodells faktura domineras av hur många tokens den väljer att generera, inte av priset per token på prislistan, och en skillnad på 14 punkter i Index är en stor mängd extra tänkande att ta igen.

Inget av detta gör Mistral Large 4 till en dålig modell. Ett Index på 38 är en kompetent poäng för allmänna ändamål nära frontlinjen, och för väldigt många produktionsuppgifter ger de extra 14 poängen ingenting du kan använda. Själva poängen är snävare och mer praktisk: köp inte den här modellen utifrån antagandet att det billigare kortet gör månaden billigare. Mät kostnaden per slutförd arbetsenhet, vilket är siffran som Artificial Analysis faktiskt rapporterar och siffran som din faktura kommer att återspegla.

Där Mistrals argument är genuint starkt, och det är inte priset

Tre argument för Mistral Large 4 överlever kontakten med Indexnumret, och två av dem handlar inte alls om modellen.

• Europeisk träning och suverän hosting. Mistral är det europeiska frontier-labbet, och tillkännagivandet ligger under ett budskap om suveränt moln snarare än ett budskap om benchmark. För en europeisk inköpare inom offentlig sektor, en reglerad bank eller någon vars upphandlingsregler anger en jurisdiktion är det ett krav snarare än en preferens – och det är den enda axeln där GPT-6.1 Sol inte kan konkurrera till något pris. Om ditt villkor är "vikterna och serveringen måste vara europeiska", slutar jämförelsen här och Index-siffran är irrelevant.

• Öppna vikter är på väg, och självhostning förändrar kalkylen. Mistral har åtagit sig att släppa vikterna före utgången av oktober. En 1,05T/52B mixture-of-experts-modell är inte något som de flesta team kommer att köra på sin egen hårdvara – 52B aktiva parametrar är den vänliga halvan av den meningen, totalen på en biljon parametrar är den ovänliga halvan – men för organisationer som redan kör den typen av infrastruktur, eller som har en regel om datalokalisering som inget hostat API kan uppfylla, förvandlar öppna vikter ett användningsbaserat API till en fast kostnad. GPT-6.1 Sol kommer aldrig att kunna självhostas.

• Förhandsvisningspriset är verkligt så länge det varar. Vid $0.68 / $2.09 är förhandsvisningsrabatten ungefär hälften av det annonserade listpriset på $1.36 / $4.18. Om en arbetsbelastning är tillräckligt billig för att antalet tokens verkligen är den begränsande faktorn – massklassificering, extrahering, routning, vad som helst med korta utdata och ingen resonemangsslinga – är det priset det bästa på den här sidan, och Index-gapet gäller inte för arbete som aldrig behövde ett Index på 52. Planera bara bytet när förhandsvisningen slutar i stället för att bli överraskad av det.

Det sominte är ett argument är rå kapacitet i toppskiktet. När det gäller agentisk kodning och verktygsanvändning över långa tidshorisonter är gapet synligt och det är den riktning man skulle förvänta sig från Index: GPT-6.1 Sols rad i Artificial Analysis Terminal-Bench 4.0 visar 56,06, och samma instrument placerade dess föregångare, GPT-6 Sol, på 43,94 – en generationsförflyttning på omkring 12 punkter i ett riktmärke som specifikt handlar om att slutföra uppgifter i ett shell.

Kontextnumret som inte stämmer överens med sig självt

Det här är den enda specifikationen på sidan som du inte med säkerhet kan citera, och det är värt att uppmärksamma snarare än att släta över.

Mistrals egen dokumentation för Mistral Large 4 beskriver ett kontextfönster på upp till 1 miljon tokens. Den oberoende noteringen för modellen hos Artificial Analysis anger 524 000. De två talen utgör inte en avrundningsskillnad; de skiljer sig med en faktor två och pekar på olika saker. Den mest sannolika förklaringen är att den ena beskriver arkitekturens övre gräns och den andra beskriver vad som faktiskt serveras under en förhandsvisning – en distinktion som spelar enormt stor roll om du planerade att läsa in ett stort kodförråd i ett enda anrop. Vi har inte sett leverantören sammanjämka någon av siffrorna, och tills det sker bör du utgå från att det mindre talet är det du kan bygga mot.

Till skillnad från detta har ingen av GPT-6.1 Sols huvudsakliga gränser detta problem. Dess kontextfönster är 1 050 000 tokens, dess maximala utdata är 128 000 tokens, och dess kunskapsavskärning är 2026-04-30 – allt dokumenterat på leverantörens modellsida och överensstämmande med det som tillhandahålls via API:et.

Vad tusen agentuppgifter kostar på varje

Ta en arbetsbelastning som är vanlig för båda modellerna: ett anrop som bär 40 000 indatatokens och producerar ett svar på 2 000 tokens, kört tusen gånger. För att hålla de två prislistorna jämförbara, anta att indata går in färskt varje gång i stället för att serveras från en cache.

• Med GPT-6.1 Sol — 40 000 indatatokens till $2.00 per miljon är $0.080, och 2 000 utdatatokens till $10.00 per miljon är $0.020. Det är $0.100 per anrop, eller ungefär $100 för tusen.

• För Mistral Large 4 till förhandspriser — 40 000 indatatoken till $0,68 per miljon är $0,027, och 2 000 utdatatoken till $2,09 per miljon är $0,004. Det är $0,031 per anrop, eller cirka $31 för tusen.

Så prisskillnaden är verklig och den är ungefär tre mot ett i en form där utdata är kort — med ett ärligt förbehåll som drar i motsatt riktning. GPT-6.1 Sol tar $0,10 per miljon för ett cachelagrat prefix, och Mistrals förhandsvisningsdokumentation fastställer ingen motsvarande rabatt. Kör samma loop med de 40 000 token som serveras från cachen och GPT-6.1 Sol-sidan faller till omkring $0,024 per anrop, vilket ligger under Mistral-siffran. Prislistorna avgör den här jämförelsen först när du vet om din indata upprepas. Ändra nu den andra parametern och se den andra spridningen öppna sig: kör samma loop i den resonemangstunga änden, där Mistral Large 4 gör den token-åtgång som dess Index på 38 antyder, och siffran $1,13 per uppgift i en jämförbar utvärdering säger att Mistral-sidan av fakturan växer snabbare än prislistan antyder. Den ärliga sammanfattningen är att Mistral Large 4 vinner aritmetiken för arbete med korta utdata vid färska indatapriser och förlorar den för cachelagrat och långsiktigt agentiskt arbete, och vilket av dem du kör är en fråga om din arbetsbelastning, inte om modellerna.

Båda dessa är precis den typ av jämförelse som en router är till för. GPT-6.1 Sol finns i vår katalog till Open​AI:s listpriser med 0 % påslag — Det som Open​AI publicerar är vad en anropare betalar, och när en leverantör ändrar ett pris ändras katalograden med det i stället för att invänta att en återförsäljare upptäcker det. Det innebär att per-token-uträkningen ovan kan kontrolleras mot den aktuella raden i stället för mot den här sidan. Mistral Large 4 är inte något vi tillhandahåller, så om du vill ha den finns den i leverantörens eget API och på flera tredjepartsplattformar.

Vad man kan göra på måndag

Det finns ingen version av detta där de två modellerna idag kan ersätta varandra för samma uppgift, och anledningen är timing snarare än kvalitet.

Om du behöver en banbrytande agentisk kodningsmodell den här veckan – långa verktygsloopar, kontext i repositoriestorlek, datoranvändning, dokumenttungt professionellt arbete – är svaret GPT-6.1 Sol, den är den enda av de två som är en färdig produkt, och dess pris är publicerat och stabilt. Räkna med att det är dess utdatamätare som pengarna går till, och håll arbetsmängden under tröskeln på 272 000 tokens över vilken hela begäran omprissätts.

Om du befinner dig i Europa och dina krav anger en jurisdiktion, eller om du avser att självhosta eftersom inget API uppfyller dina dataregler, är Mistral Large 4 den enda kandidaten här oavsett poäng — men den del av den du väntar på, vikterna, finns inte ännu, och kontextsiffran som du skulle dimensionera din infrastruktur efter är för närvarande omstridd med en faktor två. Håll utkik efter släppet av vikterna och efter att leverantören stämmer av 1M mot 524,000 innan du genomför en driftsättning av den.

Och om det du faktiskt vill är att använda båda – Mistral Large 4 för den billiga högvolymsnivån och GPT-6.1 Sol för den svåra svansen – är den praktiska begränsningen att de två ligger på olika nycklar, olika fakturering och olika feltyper, vilket är problemet som en enda slutpunkt med automatisk redundansväxling över 200+ modeller är till för att lösa. Under tiden raden som är värd att öppna är den som faktiskt finns: modellsidan för GPT-6.1 Sol på https://www.orcarouter.ai/models/openai/gpt-6.1-sol.