Mistral åbner forhåndsversionen og fremhæver den evne, konkurrenterne holder tilbage
Mistral AI lancerede en offentlig forhåndsversion af Mistral Large 4 den 6. oktober, en model selskabet kalder ML4 og mere uformelt “le Chonk”. Det er en indbygget multimodal mixture-of-experts-model med tusind milliarder parametre i alt og 49 milliarder aktive per token, og Mistral siger, at den er den største og mest kapable, selskabet har bygget. Vægtene er ikke udgivet endnu: Mistral oplyser, at de offentliggøres sidst i oktober, når red teaming er færdig.
Indtil da er adgangen todelt. Forhåndsversionens API er åbent i Mistral Studio til 1,36 dollar per million input-tokens og 4,18 dollar per million output. En anden gruppe — “ledende inden for cybersikkerhed, godkendte partnere og statslige myndigheder”, med Mistrals egne ord — får samme model med reduceret moderation og udvidede cyberevner.
Argumentet er en model, der ikke nægter
Mistrals centrale påstand handler om sikkerhedsarbejde, og selskabet er usædvanligt tydeligt om, hvem sammenligningen gælder. På Artificial Analysis Cyber Index, en uafhængig vurdering af hvor godt modeller finder og retter fejl i reel software, siger Mistral, at ML4 ligger blandt de fem bedste modeller i verden. I indeksets test, der beder en model om at genskabe en reel sårbarhed i åben software og derefter lukke den, rapporterede Mistral 82 procent, som selskabet kalder den højeste score for nogen model.
Årsagen er ifølge Mistral ikke evne alene. Selskabet skriver, at Claude Opus 5.5 og GPT-6 Astra “får nær nul i samme test, fordi de nægter at udføre opgaven”. Argumentet er, at forsvar begynder med at bevise, at en fejl er reel, og at et afslag fra leverandøren midt i en hændelse i sig selv er en sikkerhedsrisiko. På Cybench, 40 øvelser hentet fra sikkerhedskonkurrencer, rapporterede Mistral 93 procent — et tal fra selskabets egne test, ikke fra en uafhængig kørsel.
Indrammningen kommer dage efter, at Google gav sin første Gemini 4-model til cyberforsvarere med cyberværnene løsnet, og den peger på det samme uafklarede spørgsmål: hvem der får en model, som udfører offensivt sikkerhedsarbejde på forespørgsel.
Resten af tallene er for det meste Mistrals egne
På kodning rapporterede Mistral 61,7 procent på DeepSWE v1.1, 28,3 procent på Terminal-Bench 4 og 59,4 procent på SWE-Atlas-QnA samt et samlet Coding Agent Index på 49,8 procent, som selskabet placerer foran DeepSeek V4 Pro og Qwen3.8 Max. På AutomationBench — 657 forretningsflows i værktøjer som Gmail, Google Sheets, Slack og Salesforce — rapporterede selskabet 59,9 procent.
En blind menneskelig vurdering sammen med Surge AI placerede ML4 som nummer to af fem modeller på kodekvalitet med 3,74 af 5, foran Moonshot AIs Kimi K3 på 3,59 og GLM-5.3 på 3,60, og bag Claude Opus 5 på 4,22. På visuel forankring siger Mistral, at ML4 får 42 procent på Dense 200 mod 41 procent for GPT-6 Astra — det eneste sted, hvor selskabet hævder at overhale en lukket frontmodel.
Mistrals egen opsummering er nøje afgrænset: ML4 er “konkurrencedygtig med de stærkeste open source-modeller globalt”, mens den “væsentligt overgår enhver åbenvægtsmodel udviklet i USA eller Europa”. Det er en påstand om et regionalt felt, ikke det globale, og de kinesiske åbenvægtsmodeller er fortsat målestokken.
Trænet i Europa, på 3.800 chips
Mistral oplyser, at ML4 blev trænet fra grunden på 3.800 Nvidia Grace Blackwell-GPU’er i selskabets egne europæiske datacentre, og at den offentlige forhåndsversion kører på samme infrastruktur. En betydelig del af træningsdataene var flersprogede, ifølge selskabet, med over 160 sprog inklusive alle officielle sprog i Den Europæiske Union, og en europæisk drift skal håndteres fra ende til ende under europæisk ret, uafhængigt af andre digitale tjenesteudbydere.
Det, der mangler, er alt det, som ville lade nogen udefra prøve påstandene: vægtene, arkitekturen, metoden til eftertræning og licensvilkårene. Mistral siger, at det hele følger med udgivelsen sidst på måneden. Indtil da er hvert tal ovenfor et leverandørtal, med den eneste undtagelse af placeringen i Artificial Analysis-indekset.
