Mistral Large 4 vs DeepSeek V4 Pro: Tvillingarkitekturer, motsatta satsningar

De två modellerna i den här jämförelsen är nästan identiska på papperet och skulle i praktiken inte kunna vara mer olika. Mistral Large 4 är en gles mixture-of-experts-modell med 1,05 biljoner parametrar och 49 miljarder aktiva parametrar, som tillkännagavs den 6 oktober 2026. DeepSeek V4 Pro är en gles mixture-of-experts-modell med 1,6 biljoner parametrar och 49 miljarder aktiva parametrar, som släpptes den 24 april 2026. Samma aktiveringsbudget, samma arkitekturfamilj, samma anspråk på prestanda i framkant med öppna vikters ekonomi — och exakt en av dem har vikter du kan ladda ner idag.

Parkopplingen är inte något som den här artikeln har hittat på. Mistrals eget lanseringsinlägg benchmarkar mot DeepSeek V4 Pro vid namn på tre olika ställen: agentisk kodning, långsiktigt kunskapsarbete och automatisering av affärsarbetsflöden. Att ställa samma fråga till den andra sidan — vad gör DeepSeek V4 Pro redan som Mistral Large 4 utlovar — visar sig vara det snabbaste sättet att se vad förhandsversionen faktiskt tillför.

Specifikationen, sida vid sida

Läst den 6 oktober, Mistrals siffror från deras eget tillkännagivande och modellkort, DeepSeeks från deras live-katalogpost:

• Totala vs aktiva parametrar — 1,05T totalt / 49B aktiva vs 1,6T totalt / 49B aktiva

• Modaliteter – text och bild in, text ut jämfört med enbart text

• Kontextfönster — 1M angivet av Mistral, 524 288 i den konfiguration som Artificial Analysis testar, jämfört med 1M som serveras

• Utdatatak — publiceras inte för förhandsversionen jämfört med 384K tokens

• Pris per miljon, indata / utdata — 1,36 $ / 4,18 $ listpris, för närvarande 0,68 $ / 2,09 $ på kampanj, mot 0,66 $ / 1,98 $

• Cachad indata per miljon — 0,14 $, för närvarande 0,07 $, mot 0,022 $

• Vikter — utlovade i slutet av oktober, licens ej namngiven vs tillgängliga nu

• Träningsinfrastruktur – 3 800 NVIDIA Grace Blackwell-GPU:er i Mistrals egna europeiska datacenter jämfört med DeepSeeks eget kluster

Symmetrin i 49B-aktiveringssiffran är rubriken och även ingressen. Aktiva parametrar styr vad en token kostar att generera; totala parametrar styr vad modellen vet. DeepSeeks 1,6T mot Mistrals 1,3T innebär att DeepSeek har ungefär 50 % mer kapacitet per beräknad token – en verklig fördel i kunskapstungt arbete och ingen fördel alls i uppgifter där flaskhalsen är instruktionsföljning eller verktygsanvändning.

Vad det oberoende indexet säger

Båda modellerna har sidor på Artificial Analysis, vilket gör detta till en av få jämförelser i serien där de två sidorna mäts i samma testrigg. Intelligence Index v4.3, avläst 6 oktober:

• Intelligensindex — 38,4 för Mistral Large 4 Preview mot 36,0 för DeepSeek V4 Pro 0813

• Kostnad per indexuppgift — 1,13 $ mot 0,67 $

• Terminal-Bench 4.0 — 26,8 % mot 14,1 %

• Humanity's Last Exam – 35,0 % vs 41,0 %

• AutomationBench, affärsarbetsflöden — 59,9 % mot 56,7 %

• τ²-Bench, verktygsanvändande agentik — inte publicerat för förhandsvisningen vs 96,2 %

• SciCode — 54,2 % mot 51,0 %

Det här är en mycket jämnare kamp än prislapparna antyder, och meningsskiljaktigheterna är informativa snarare än brus. Mistral Large 4 vinner raden för agentisk kodning med nästan tretton punkter och raden för arbetsflödesautomatisering med knapp marginal, medan DeepSeek V4 Pro vinner öppen kunskap med sex punkter och kostar 40 % mindre per uppgift. Notera också att indexet fördelar kostnader över cacheläsningar, cacheskrivningar, resonemangstokens och svarstokens – Mistrals cache är rabatterad med 90 % medan DeepSeeks är rabatterad med 97 %, vilket är varför två modeller med liknande listpriser landar på 1,13 $ och 0,67 $ per slutförd uppgift.

Där DeepSeek V4 Pro redan har vunnit

Den avgörande skillnaden är inte ett benchmark. Det är att DeepSeek V4 Pro har öppna vikter i dag och att Mistral Large 4 är en förhandsversion som serveras från tillverkarens eget kluster. Mistral säger att vikterna släpps i slutet av oktober – ett åtagande, inte en artefakt. Dess Hugging Face-organisation, kontrollerad den 6 oktober, innehåller inget nyare än juli. Fram till dess att ett repo dyker upp med en licensfil tillhör argumentet för egen driftsättning som Mistral framför DeepSeek.

Den andra skillnaden är tillgänglighetens bredd. DeepSeek V4 Pro har varit routbar sedan april och är med bred marginal den mest använda modellen i vår egen katalog – 1,13 miljarder tokens under de senaste sju dagarna vid skrivandet, mot de tiotals miljoner som en typisk frontier-modell hanterar. Den volymen spelar roll för en köpare på ett sätt som en resultattavla inte gör: det betyder att fellägena är kända, genomströmningsegenskaperna är kända, och leverantörerna som levererar den har stresstestats av andras produktionstrafik.

DeepSeek vinner också på den tråkiga mekaniken. Ett utdatatak på 384K mot ett opublicerat sådant, 1M kontext som faktiskt levereras i stället för att bara uppges, och en text-only-omfattning som gör genomströmningen för långa kontexter förutsägbar. Om din arbetsbelastning är dokumentanalys, långformsgenerering eller kunskapstung extrahering över en miljon tokens, är DeepSeek V4 Pro billigare, mer öppen och mer beprövad än Mistral-förhandsvisningen i varje avseende.

Där Mistral Large 4 är det bättre valet

Mistral valde noggrant ut de rader som den benchmarkar, och kodningsklyftan är inte kosmetisk. 26,8 % mot 14,1 % på Terminal-Bench 4.0 är ungefär dubbelt så stor, och det stämmer med Mistrals påstående om 61,7 % på DeepSWE v1.1 och 59,4 % på SWE-Atlas-QnA – siffror som den säger att Artificial Analysis utvärderade privat före harnessens offentliga lansering, vilket är anledningen till att de ännu inte finns i det offentliga indexet. När dessa landar, eller inte gör det, kommer kodningsfrågan att avgöras.

Multimodalitet är den andra tydliga skiljelinjen. Mistral Large 4 tar emot bilder nativt, med en dedikerad 1,6B visionsencoder, och Mistral hävdar toppmodern visuell förankring bland öppna modeller – och anger 42 % mot GPT-6 Astras 41 % på Dense 200. DeepSeek V4 Pro är enbart text och dess katalogkort säger det rakt ut. Varje pipeline som involverar skärmbilder, tekniska ritningar, skannade handlingar eller diagramläsning har en kandidat här, inte två.

Och så har vi cyber, där Mistrals påstående är vassare än något DeepSeek har publicerat: 82 % på testet Artificial Analysis Cyber Index, som ber en modell återskapa en verklig sårbarhet och patcha den, uppges vara högst av alla modeller, och 93 % på Cybenchs tävlingsövningar. Det är leverantörsangivna siffror och bör märkas som sådana – men de ligger på ett oberoende index, och inget jämförbart DeepSeek-resultat har publicerats. För säkerhetsarbete är den ärliga hållningen att Mistral Large 4 gör anspråk på en ledning som inte har visats vara falsk.

Den sista särskiljande faktorn är jurisdiktionell. Mistral tränade modellen på 3 800 Grace Blackwell-GPU:er i sina egna europeiska datacenter och tillhandahåller förhandsvisningen där, med en europeisk driftsättning som drivs från början till slut under europeisk lagstiftning. För en europeisk reglerad köpare vars alternativ är en kinesisk modell med öppna vikter eller en amerikansk sluten sådan, är det en egen kategori.

Prissättningen, läst ordentligt

Prislappen är inte hela historien för någon av modellerna. DeepSeek V4 Pros katalogpost har två tidsfönster – 01:00–04:00 och 06:00–10:00 UTC – under vilka den listade taxan multipliceras, så en arbetsbelastning som hamnar under dessa timmar kostar dubbelt så mycket som rubrikpriset. Mistral Large 4:s $0,68 / $2,09 är en lanseringskampanj mot en prislista på $1,36 / $4,18; kampanjen är dagens pris och prislistan är priset du bör räkna din faktura efter.

Där OrcaRouter reder ut detta är genom vidarebefordran: 0 % påslag på leverantörernas listpriser, vilket innebär att en leverantörs prissänkning blir din prissänkning samma dag och en leverantörs kampanjpris förs vidare i stället för att absorberas. DeepSeek V4 Pro går att dirigera i dag bakom en OpenAI-kompatibel endpoint till leverantörens pris, under samma autentiseringsuppgift som 200+ andra modeller, med automatisk failover mellan leverantörer när en försämras. Mistral Large 4 finns inte i vår katalog — förhandsversionen nås via Mistrals eget API och flera tredjepartsplattformar — så om du vill köra båda sidorna av den här jämförelsen samtidigt i dag innebär det en rutt via oss och en direkt.

Vilken ska man välja?

Om du behöver vikter som du kan hålla i, 384K utdata, en miljon tokens serverad kontext, lägsta kostnaden per slutförd uppgift i paret och en modell vars beteende andra redan har kört sönder i produktion, är DeepSeek V4 Pro ingen kompromiss — det är den färdiga produkten kontra en trailer. Det är rätt standardval för dokument, kunskap och långformsarbete, och dess öppna vikter innebär att taket för vad du kan göra med den är din egen infrastruktur snarare än en leverantörs färdplan.

Om din arbetsbelastning är agentisk kodning, om den involverar bilder, om den involverar säkerhetsarbete, eller om europeisk jurisdiktion är ett krav snarare än en preferens, är Mistral Large 4 modellen som är värd förhandsgranskningsrisken — och risken är begränsad, eftersom Mistral har förbundit sig till vikterna och till ett red-teaming-fönster med ett angivet slut. Lägg en del av trafiken på den nu, behåll DeepSeek V4 Pro på resten, och låt de två avgöra arkitekturfrågan utifrån dina data. Aktiveringsbudgeten på 49B kommer att se likadan ut från båda håll; det som skiljer sig är allt runtomkring.