Mistral Large 4 vs MiniMax M3: Vad fem månaders framsteg kostar

MiniMax M3 är den billigaste modellen i den här klassen och har varit det sedan den 31 maj 2026. Med $0,30 per miljon inputtokens, $1,20 per miljon output och $0,06 per miljon cachade underbjuder den Mistral Large 4 med ungefär hälften på input och dubbelt på output — och till skillnad från den nyare modellen kan du köpa den i dag utan en förhandsversionsetikett. Mistral Large 4, en modell med öppna vikter och 1,05 biljoner parametrar i offentlig förhandsversion sedan den 6 oktober 2026, kostar $0,68 och $2,09 och lovar vikter i slutet av månaden. Två flaggskeppsmodeller med öppna vikter, fem månader isär, och de fem månaderna syns på exakt ett ställe: M3:s oberoende Intelligence Index-poäng på 29,2 mot en Mistral Large 4-poäng som ännu inte existerar.

Det är den ärliga formen av den här jämförelsen, och den är mer intressant än en pristabell antyder. M3 byggdes kring en specifik arkitektonisk satsning – MiniMax Sparse Attention, upprätthållen över en miljon tokens kontext, med video som förstklassig indata – och den vinner på papperet i två kategorier som Mistral Large 4 inte gör anspråk på: rå utdatalängd och inbyggd video. Överallt annars är den nyare modellen den en köpare helst vill ha, till ett pris som fortfarande är tillräckligt lågt för att skillnaden sällan avgör köpet.

Två arkitekturer, två satsningar

MiniMax M3 är MiniMaxs flaggskeppsgrundmodell med öppna vikter och den första som kombinerar banbrytande kodnings- och agentprestanda, ett kontextfönster på en miljon tokens och inbyggd multimodalitet i en och samma lansering. Den tar emot text, bilder och video och returnerar text, och den bygger på MiniMax Sparse Attention, en arkitektur utformad för att klara upp till 1 048 576 tokens i kontext med en garanterad lägstanivå på 512K. Förträningspipelinen byggdes om för att skala förbi 100 biljoner tokens med multimodala data från första steget i stället för att läggas till i efterhand. Dess maximala utdata är 512 000 tokens.

Mistral Large 4 gör en annan satsning. Det är en granulär mixture-of-experts-modell, 49 miljarder aktiva parametrar av totalt 1,05 biljoner, med en visionsencoder på 1,6 miljarder parametrar, tränad från grunden på 3 800 NVIDIA Grace Blackwell-GPU:er i Mistrals egna europeiska datacenter på data som omfattar mer än 160 språk. Den hanterar text och bilder – inte video – med ett kontextfönster på omkring en miljon tokens, och Mistral positionerar den kring suverän driftsättning: europeisk infrastruktur, öppna vikter och möjligheten att köra den under dina egna policyer, med cybersäkerhet som det främsta användningsområdet.

• Kontextfönster — MiniMax M3 1 048 576 tokens vs Mistral Large 4 cirka 1 000 000

• Max utdata — MiniMax M3 512 000 tokens vs Mistral Large 4 ännu inte dokumenterad

• Indatamodalitet – MiniMax M3 text, bild och video vs Mistral Large 4 text och bild

• Pris för indata — MiniMax M3 $0,30 per 1 miljon mot Mistral Large 4 $0,68 per 1 miljon

• Utpris — MiniMax M3 $1,20 per 1M vs Mistral Large 4 $2,09 per 1M

• Cachad indata — MiniMax M3 $0.06 per 1M mot Mistral Large 4 $0.07 per 1M

• Parametrar — Mistral Large 4: 1,05T totalt / 49B aktiva vs MiniMax M3 ej offentliggjort

• Släppt — MiniMax M3 31 maj 2026 vs Mistral Large 4 6 oktober 2026, förhandsversion

• Vikter — båda med öppen licens, Mistral Large 4:s utlovade i slutet av oktober 2026

Resultattavlan är inte jämn, och den är inte rättvis heller

På Artificial Analysis Intelligence Index v4.3.2 får MiniMax M3 29,2 poäng och ligger på 62:a plats av 147 modeller. Det är ett resultat i mitten av tabellen, och det är inte en kritik av modellen – indexet reviderades efter att M3 släpptes och innehåller utvärderingar som inte fanns när MiniMax tränades. Dess kodningsdelpoäng ger en bättre bild: 58,6 på AA Coding index, 46:e av 138, och 65,2 % på Terminal-Bench 2.1. Den har 92,9 % på GPQA Diamond, 83 % på återkallning i långa kontexter och 47,1 % på SciCode.

Mistral Large 4 har ingen Index-poäng på samma resultattavla; sidan är live under titeln "Mistral Large 4 Preview" och siffran saknas. Vad Mistral däremot publicerar är att ML4 leder över DeepSeek V4 Pro 0813 och Qwen3.8 Max på det kombinerade Coding Agent Index med 49,8 %, och att det på AutomationBench — 657 affärsarbetsflöden över Gmail, Sheets, Slack och Salesforce — får 59,9 %, före Kimi K3, MiMo-V2.6-Pro och DeepSeek V4 Pro. MiniMax nämns inte i någon av jämförelserna, vilket i sig är en signal om vilken modell Mistral anser vara den verkliga konkurrenten.

Så den rimliga tolkningen är denna: M3 är en kapabel, billig och väldokumenterad modell med ett allmänt betyg i mitten av tabellen och en respektabel kodningsprofil, fem månader gammal. ML4 är en förhandsvisningsmodell med ett högre påstått tak, inget publicerat allmänt betyg och en uppsättning agentiska mätvärden som Artificial Analysis utvärderade privat och kommer att publicera i Coding Agent Index när det utvärderingsramverket släpps. Om du behöver en siffra idag ger M3 dig en. Om du kan vänta några veckor ger ML4 dig också en, och Mistral satsar på att den blir högre.

Där M3 inte har någon konkurrens från ML4 alls

Två rader på den listan är inte en avvägning, de är en frånvaro.

Videoindata är det första. M3 tar emot video nativt, tillsammans med text och bilder. Mistral Large 4 tar text och bilder och inget annat – Mistrals egen djupdykning handlar om grounding över gigapixel-satellitbilder och tekniska ritningar, vilket fortfarande är bildarbete. Om din pipeline tar in skärminspelningar, övervakningsmaterial eller videodokumentation kan ML4 inte vara modellen, oavsett pris. Det är inte en lucka som Mistral kommer att täppa igen med en ny prissättning.

Utmatningslängden är den andra. M3 genererar upp till 512 000 tokens i ett enda svar. Mistral har inte publicerat något utmatningstak för ML4. Att generera en lång strukturerad artefakt i ett enda pass – en fullständig rapport, ett stort migreringsskript, en komplett specifikation – är den arbetsbelastning där ett tak på 512K är värt mer än en poäng i Intelligence Index, och så länge Mistral inte har dokumenterat ML4:s gräns är M3 den enda av de två som du kan planera den arbetsbelastningen kring.

M3:s leverantörsrapporterade agentiska siffror förstärker samma profil. MiniMax placerar den på 83,5 i BrowseComp för autonom webbforskning, 70 i OSWorld-verifierat för datoranvändning, 74,2 i MCP Atlas för verktygsanvändning, 76,7 i GDPval-rubriker och 59 i SWE Bench Pro. De kommer från MiniMax egna utvärderingar och har inte reproducerats oberoende, och de står märkligt i kontrast till dess Index-poäng på 29,2 – vilket är precis varför åtskillnaden mellan leverantör och oberoende är viktig. En modell kan leda en leverantörs valda benchmarkar och hamna i mitten av tabellen på ett neutralt genomsnitt av tio utvärderingar, och båda sakerna kan vara sanna.

Är 2x värt det?

Prisgapet här är verkligen litet i absoluta tal, vilket förändrar kalkylen jämfört med en felaktig matchning mot en sluten flaggskeppsmodell. Ta en månad med hundra miljoner tokens vid en 4:1-fördelning mellan indata och utdata: 80 miljoner indatatokens och 20 miljoner utdata. M3 debiterar $24 plus $24, totalt $48. Mistral Large 4 debiterar $54,40 plus $41,80, totalt $96,20. Premien är cirka $48 per månad — riktiga pengar i stor skala, men en sådan skillnad som ett enda undviket fel betalar för.

Cachning minskar det ytterligare, och enbart till M3:s fördel: $0,06 mot $0,07 per miljon cachade tokens är ett avrundningsfel på den här prisnivån. Båda är tillräckligt billiga för att beslutet bör fattas utifrån kapacitet och lämplighet snarare än utifrån fakturan, vilket är motsatsen till hur den här jämförelsen framstår vid en första anblick.

Vad premiumet köper är spännvidd. ML4 tränades fem månader senare på nyare data, i en mixture-of-experts-layout med en biljon parametrar, varav 49 miljarder aktiva, och Mistral kör förstärkningsinlärning på den i en angiven takt av 33 miljarder token per dag med en körning som inte har mättats. M3 är färdig; ML4 förbättras i en publicerad kadens. När en leverantör säger att modellen du köper idag är den svagaste versionen du någonsin kommer att betala för, och premiumet över den befintliga är under en dollar per miljon token, är den nyare modellen vanligtvis det bättre standardvalet. Undantaget är de två arbetsbelastningarna ovan, där den äldre modellen är den enda som passar.

Routning runt gapet

Det här är en kombination där att köra båda inte är en hedge utan själva svaret, eftersom de två modellerna är starka på olika håll. Video in, lång artefakt ut, eller en loop för datoranvändning: M3. Dokument- och bildanalys, agentiska arbetsflöden, eller vad som helst som behöver köras på europeisk infrastruktur enligt era egna policyer: ML4. Det finns ingen routningsregel som gör någon av dem överflödig.

Båda ligger bakom en OpenAI-kompatibel endpoint på OrcaRouter med 0 % påslag och leverantörslistpriser förs vidare oförändrade, vilket håller en prisspridning över fem månader ärlig – om MiniMax sänker M3:s pris eller Mistral avslutar preview-priset ändras siffran som din rutt utvärderas mot samma dag. Routnings-DSL:en är det som förvandlar de åtskilda styrkorna till en enda anropsyta: en regel som inspekterar begärans modalitet skickar videoinnehållande payloads till M3 och allt annat till ML4, med förvissningen att tillfälliga tillgänglighetsstörningar hos en förhandsmodell fångas upp av automatisk failover i stället för att föras vidare till dina användare. Där en enskild utdata betyder mer än ett enda pris kan modellfusion köra båda och låta en panel välja, vilket är ett rimligt sätt att köpa Mistrals påstådda tak samtidigt som man behåller M3:s dokumenterade beteende som ett golv.

Dom

MiniMax M3 är rätt svar för två arbetsbelastningar och ett försvarbart svar för en tredje: textinmatning, generering av enskilda svar på flera hundra tusen token och datoranvändningsagenter är dess territorium, dess pris är det lägsta bland flaggskeppen i den här klassen, och dess publicerade poäng i mitten av tabellen gör att du vet vad du får. Fem månader gammal är inte gammalt för en modell som inte har överträffats inom sin egen nisch.

Mistral 4 är det bättre standardvalet för allt annat. En månad med hundra miljoner tokens kostar cirka 48 dollar mer, parameterantalet och den europeiska träningsbakgrunden pekar mot ett högre tak, cybersäkerhetspåståendena är tillräckligt specifika för att kunna kontrolleras, och de utlovade öppna vikterna plus lokal driftsättning uppfyller krav som M3:s företagsberättelse med enbart API inte gör. Priset för det är att du förbinder dig till en modell vars poäng i Independent Intelligence Index inte har publicerats och vars beteende Mistral säger kommer att förändras avsevärt inom några veckor.

De två datum som avgör detta: slutet av oktober 2026, då antingen ML4:s vikter landar eller löftet om öppna vikter börjar verka svagt, och publiceringen av Coding Agent Index, där Mistrals privat utvärderade 49,8 % möter M3:s offentliga kodningspoäng på 58,6 på samma revision. Fram till dess är M3 modellen du kan verifiera och ML4 modellen du satsar på — och med en månadspremie på 48 dollar för hundra miljoner tokens är det inte en stor insats.