Mistral Large 4 vs GPT-6.1 Sol: En går att ladda ner, en går bara att hyra

Nästan varje jämförelse av Mistral Large 4 och GPT-6.1 Sol på den öppna webben citerar siffror som upphörde att existera den 27 oktober. Sidorna anger 38 och 52. Artificial Analysis byggde om sitt Intelligence Index till v5-serien den dagen, körde modellerna igen och publicerar nu 26 för Mistral Large 4 mot 55 för GPT-6.1 Sol. Det är inte en förändring i någon av modellerna – det är ett annat mätinstrument, med nio utvärderingar i stället för den gamla uppsättningen och en mycket svårare blandning – men det betyder att gapet som du kanske har läst om, fjorton punkter, nu är tjugonio på papperet och inte jämförbart med något från före ombyggnaden. Jämförelser mellan olika indexkörningar är det vanligaste felet i den här nischen, och det är värt att få det aktuella paret rätt innan man argumenterar om något annat.

Det som gör den här jämförelsen mer intressant än en poängskillnad är att de två produkterna i morse upphörde att vara samma sorts sak. GPT-6.1 Sol har varit en hyrd modell sedan OpenAI lanserade den 29 september 2026 för 2,00 och 10,00 USD per miljon tokens; du anropar den, du kan inte behålla den. Mistral Large 4, som förhandsvisades den 6 oktober 2026, publicerade sina vikter den 29 oktober 2026 kl. 14:51 UTC – 1 060,6 GB i FP8 och 610,1 GB i NVFP4, öppna för nedladdning, under en modifierad MIT-licens. En av dessa modeller har en mätare som aldrig stoppar. Den andras mätare upphör den dag du köper hårdvaran. Det är beslutet, och benchmarktabellen är en följd av det.

Två produkter, två datum, en av dem färdig

Asymmetrin är inte en petitess kring mognad – den förändrar vilka frågor som är värda att ställa. GPT-6.1 Sol är en lanserad, dokumenterad och oberoende mätt modell med tio API-leverantörer listade för den. Dess prislista är fastställd, dess 1M-kontext är dokumenterad, och dess position i OpenAI:s sortiment är under flaggskeppet Astra snarare än högst upp. Mistral Large 4 var i tjugotre dagar en API-förhandsvisning, och idag blev den en fil. Prislistan för den hostade versionen är fastställd till $0,70 för indata och $2,10 för utdata per miljon tokens, och dess framtid ligger nu delvis i händerna på den som driver den snarare än i Mistrals roadmap.

De sex raderna som spelar roll

Samma dimensioner på båda sidor, aktuellt instrument, avlästa från de två modellsidorna hos Artificial Analysis och leverantörernas egen dokumentation den 29 oktober 2026:

• Intelligensindex — GPT-6.1 Sol 55 (v5-serien, rankad som sjua av 54 i sin jämförelseklass); Mistral Large 4 26 (rankad som åtta av 19 i en annan klass — de två placeringarna är inte på samma skala).

• Kostnad per Index-uppgift — GPT-6.1 Sol 1,27 $; Mistral Large 4 2,06 $.

• Tokenpris — GPT-6.1 Sol $2,00 in / $10,00 ut per miljon, med en prisnivå på $4,00 / $15,00 över 272 000 indatatoken; Mistral Large 4 $0,70 in / $0,07 cachat / $2,10 ut.

• Utdatningshastighet — GPT-6.1 Sol 79,1 token per sekund; Mistral Large 4 161,3.

• Kontext — 1M tokens på båda, dokumenterat på båda.

• Driftsättning — GPT-6.1 Sol: endast värdbaserad, inga vikter till något pris. Mistral Large 4: värdbaserad eller självhostad, 610,1 GB i NVFP4, åtta GPU:er av Blackwell-klass i det publicerade vLLM-receptet.

{{1}}Index är ett medelvärde, och medelvärden döljer formen på ett gap.{{/1}} {{2}}På de enskilda raderna hos Artificial Analysis är fördelningen ojämn snarare än genomgående dålig: HLE-Diamond 17 % mot 59 %, Terminal-Bench-Science 0.1 på 4 % mot 58 %, FrontierCode 2.0 på 15 % mot 41 %, Terminal-Bench 4.0 på 25 % mot 56 % och GDPpdf på 18 % mot 31 %.{{/2}} {{3}}Mistral Large 4 ligger inte efter med tjugonio poäng på varje uppgift; det ligger rejält efter i de utvärderingar som belönar ihållande flerstegsresonemang och ungefär på samma nivå i kortare arbete med ett enda pass.{{/3}} {{4}}Om din arbetsbelastning liknar det andra slaget är medelvärdet fel siffra att basera köpet på.{{/4}} {{5}}Om den liknar det första slaget stänger ingen rabatt gapet.{{/5}}

Varför siffrorna flyttades, och varför det inte är en skandal

Ombyggnationen av v5 körde om hela fältet på en ny utvärderingsuppsättning, och ungefär 60 % av den är privat – frågor som inte var offentligt tillgängliga före ombyggnationen. Modellerna rörde sig inte alla i samma riktning: några föll kraftigt, några steg. Mistral Large 4 som faller från 38 till 26 och GPT-6.1 Sol som stiger från 52 till 55 är två läsningar av samma händelse, och ingen av dem är en leverantör som har ett dåligt kvartal. Regeln som följer är enkel och lätt att bryta mot av misstag: subtrahera aldrig ett resultat från en indexkörning mot ett resultat från en annan, och citera aldrig en skillnad vars två halvor mättes med en veckas mellanrum. Skillnaden som finns i dag är tjugonio punkter på ett instrument.

Tjugonio poäng är mycket, och det är inte heller hela historien. Ett Index på 26 beskriver en modell som är kompetent på allmänt arbete och oanmärkningsvärd i den svåra änden; ett Index på 55 beskriver en av de starkaste modellerna som finns. Om din arbetsbelastning är agentisk kodning över ett stort kodförråd är svaret redan avgjort, och inget prisargument ändrar det. Resten av den här artikeln handlar om de arbetsbelastningar där det inte är avgjort.

Återställningen överlevde rebasen.

Det enda fyndet från förhandsvisningsperioden i oktober som stod sig under det nya instrumentet är inversionen av pris per uppgift, och den stod sig med färska siffror. Mistral Large 4 debiterar ungefär en tredjedel av GPT-6.1 Sols inputpris och en femtedel av dess outputpris, och kostar ändå 62 % mer att slutföra samma utvärderingsuppgift – $2,06 mot $1,27. Det är inte ett pristrick. En resonemangsmodells faktura domineras av hur många tokens den väljer att generera, och Mistral Large 4 genererar väldigt många: Artificial Analysis registrerar 110 miljoner outputtokens i sitt utförlighetsurval mot en median på 100 miljoner, medan GPT-6.1 Sol ligger på 64 miljoner, under medianen. Billigare tokens multiplicerade med fler tokens är inte en besparing, och fakturan kommer att visa det.

Den praktiska konsekvensen är snävare än "den billiga modellen är i hemlighet dyr". För arbete med kort utdata – klassificering, extrahering, routning, allt som slutar efter tvåhundra tokens och aldrig går in i en resonemangsloop – är tokenpriset räkningen, och $0,70 mot $2,00 är hela argumentet. Inversionen biter på resonemang över lång horisont, vilket är exakt där gapet på tjugonio punkter också ligger. Två olika mätningar som pekar i samma riktning är ett skäl att lita på riktningen, inte ett skäl att generalisera den till varje arbetsbelastning.

Snabbhet går åt andra hållet, och det gör tålamodet också.

Mistral Large 4 är mer än dubbelt så snabb i utdata: 161,3 token per sekund mot 79,1. Den returnerar också en första token på 1,42 sekunder, något bättre än medianen på 1,68 sekunder för dess jämförelseset. GPT-6.1 Sols publicerade siffra för tid till första svarstoken är 249,48 sekunder, mot en median på 3,53 sekunder, vilket är den sorts siffra som behöver förklaras snarare än citeras.

De där 249 sekunderna är nästan helt säkert inte latens i nätverksmässig mening. Det är den tid som modellen ägnar åt resonemang innan den utsänder den första svars-tokenen, mätt vid högsta resonemangsansträngning, och det är det ärliga sättet att visa vad en lång resonemangsbudget kostar en användare som väntar. Vår egen routningsdata gör skillnaden konkret: över 584,7 miljoner GPT-6.1 Sol-token som passerade genom OrcaRouter under de sju dagarna fram till 29 oktober var p50-tiden till första strömmade token 1,36 sekunder medan p95 var 10 sekunder. Den första tokenen anländer snabbt; det är det första svaret som tar minuter, och flaggorna i API:et avgör vilket av dessa din användare upplever. Om din applikation strömmar resonemangstoken är väntan fylld av innehåll och tolerabel. Om den inte gör det – om en användare stirrar på en laddningssnurra tills det första svaret anländer – då är en första token på fyra minuter en produktbegränsning som inget benchmarkpoäng kompenserar för, och en modell som svarar på 1,4 sekunder kommer att kännas bättre än en som är tjugonio Index-poäng starkare. Det är den axel på vilken den billigare modellen med lägre poäng oftast vinner verkliga driftsättningar, och den förekommer inte i någon jämförelsetabell.

Det som ändrades i morse: mätaren upphör

Fram till i dag var argumentet för självhosting av Mistral Large 4 ett löfte, och löften överlever inte inköpsgranskning. Nu är det ett repositorium. Två checkpoints, en licensfil och ett leverantörspublicerat serveringsrecept: vLLM med tensorparallellism 8 och en FP8 MLA KV-cache, SGLang med tp-storlek 4, båda med ett inbäddat DSpark-draft-huvud för spekulativ avkodning i stället för en andra modell.

Det ger inte en billigare token – det är slutet för token som kostnadsenhet. På egenägd hårdvara blir räkningen avskrivning, el, rackutrymme och ingenjören som äger klustret, och en arbetsbelastning som körs med hög och jämn volym omvandlas från en variabel kostnad till en fast. Det är argumentet för en europeisk bank med en regel om datalagring i landet, en försvarsleverantör vars inköp förbjuder utländsk inferens, eller en tillverkare som inbäddar en modell i en produktlinje i fem år. Det är inte ett argument för en startup med toppig trafik och inget driftsteam: 610 GB vikter, åtta Blackwell-GPU:er och en KV-cache på 1 M token är ett kapitalprojekt, och den hostade avgiften på 0,70 USD är billigare än kapitalet under mycket lång tid.

Licensen är den del folk hoppar över. Det är en modifierad MIT med en klausul som betyder något: att köra vikterna som ett model-as-a-service-erbjudande kräver en separat kommersiell licens från Mistral. Läs dock definitionen noggrant – den utesluter inbäddade slutanvändarprodukter och "blott vidarebefordran av förfrågningar till modeller som hostas av andra", så en gateway som skickar trafik till inferens som hostas av Mistral undantas, medan ett företag som sätter upp sin egen inferensfarm och säljer vidare åtkomst inte gör det. Om din plan är "ladda ner det och bli en leverantör", läs klausulen innan hårdvaruofferten.

Där var och en faktiskt är det rätta svaret

• Agentisk kodning, verktygsanvändning över långa horisonter, arbete med stora kodförråd — GPT-6.1 Sol. Index-gapet är som störst just här, och prispåslaget är kostnaden för att ha rätt.

• Extrahering och klassificering med hög volym och korta utdata – Mistral Large 4 till $0.70 per indata. Resonemangstaket aktiveras aldrig, så Index-gapet tillämpas aldrig.

• Reglerad, jurisdiktionsbunden driftsättning – Mistral Large 4, och inte för att det är bättre. GPT-6.1 Sol kan inte självhostas till något pris, vilket avslutar jämförelsen.

• Interaktiva assistenter där första token är produkten – Mistral Large 4 satsar på snabbhet, såvida du inte strömmar resonemang och kan acceptera väntetiden.

• Defensiva säkerhetsverktyg — Mistral Large 4, med stöd av en leverantörsrapporterad avvisningsfrekvens på 96,6 % för skadliga cyberförfrågningar och en cyberbenchmark som Mistral byggde sin lansering kring. Dessa siffror är Mistrals, inte ett oberoende labbs, och bör behandlas som påståenden tills någon upprepar dem.

• Allt där svaret måste vara rätt och latensbudgeten är generös — GPT-6.1 Sol. Tjugonio poäng är inte ett avrundningsfel.

Om du ska köra båda

Blandade miljöer är det normala resultatet av en jämförelse som den här, och den operativa frågan blir hur två väldigt olika modeller kan ligga bakom en och samma faktura. GPT-6.1 Sol finns på OrcaRouter till exakt OpenAI:s listpris – 2,00 USD och 10,00 USD per miljon token, med nivån över 272K på 4,00 USD och 15,00 USD – dirigerat med 0 % påslag, så priset du ser är priset OpenAI debiterar. Mistral Large 4 finns inte i vår katalog: 214 modeller, ingen Mistral-endpoint, och om du vill anropa den går du till Mistrals eget API eller till din egen vLLM-distribution. Det plattformen däremot har, för den hostade halvan, är routing-DSL:en – peka en arbetsbelastning mot en modell och flytta den utan kodändring – och automatisk failover, vilket är det som gör det överlevbart att prova en ny modell på en produktionsväg. Koppla in den självhostade endpointen bakom samma mönster, och de två halvorna av den här jämförelsen upphör att vara ett beslut du måste fatta en gång.

Två frågor, inte en

Jämförelsesidorna säger att GPT-6.1 Sol vinner, och på det enda oberoende mätinstrument som båda modellerna har gemensamt gör den det – 55 mot 26, till 62 % lägre kostnad per slutförd uppgift och lite drygt halva utmatningshastigheten. Det är det korrekta svaret på "vilken modell är bättre", och om det var den enda frågan skulle marknaden ha löst detta i september.

Frågan som öppnade i morse är en annan: vilken modell kan du fortfarande köra om tre år, på hårdvara du kontrollerar, under en licens som du har läst. För väldigt många team kommer svaret att förbli "ingendera, vi hyr" — och då är GPT-6.1 Sol det bättre hyresvalet. För dem vars begränsning är ägande snarare än kapacitet upphörde modellen som får 26 poäng i dag att vara en kompromiss och blev det enda alternativet på bordet. Båda svaren kan vara rätt, och det är därför det intressanta arbetet inte är att välja en vinnare utan att avgöra vilken fråga din organisation faktiskt ställer.