Mistral zaprezentował Mistral Large 4, nazwany « Le Chonk », wielomodalny, wielojęzyczny model typu mieszanki ekspertów (Mixture-of-Experts), który przyjmuje na wejściu tekst i obrazy, a generuje tekst. Zawiera około 1T parametrów i ma kontekst o długości 1M tokenów, gdzie token oznacza jednostkę tekstu przetwarzaną przez model. Jest dystrybuowany na licencji Mistral Ecosystem Open-Weight License, pochodnej licencji MIT, która nakłada ograniczenia na oferty typu model-as-a-service.
Model istnieje w dwóch oficjalnych wariantach: FP8 i NVFP4. Wersje w formacie GGUF, przeznaczone do lokalnego uruchamiania, zostały stworzone przez Unsloth i zespół llama.cpp.
Model zorientowany na defensywną cyberbezpieczeństwo
Według Mistral, Mistral Large 4 osiąga 82% w teście Artificial Analysis Cyber Index, który wymaga odtworzenia rzeczywistej luki w oprogramowaniu open source, a następnie jej naprawy. Mistral wskazuje, że wiele zaawansowanych zamkniętych modeli uzyskuje w tym zadaniu wynik bliski zeru, ponieważ odmawiają jego podjęcia. W testach wewnętrznych model okazał się również przydatny w analizie złośliwego oprogramowania, priorytetyzacji luk i pisaniu reguł detekcji – zastosowaniach, do których nie był specjalnie trenowany.
Mistral podkreśla przede wszystkim defensywne zastosowania. Według firmy, poszukiwanie luk i reagowanie na incydenty mogą przypominać ataki w zapytaniach kierowanych do modelu i być blokowane przez filtry. Zespół zależny od API może również stracić dostęp w środku kryzysu. Modele o otwartych wagach pozostawiają natomiast użytkownikowi kontrolę nad polityką użycia i wdrożeniem. Model jednak odmawia niebezpiecznych żądań: na zapytania cybernetyczne z benchmarków JailbreakBench, StrongREJECT i AgentHarm jego średni wskaźnik odmowy jest, według źródła, wyższy niż jakiegokolwiek innego modelu o otwartych wagach.
Architektura i deklarowane wyniki
Dekoder tekstu składa się z 72 warstw, ma wymiar ukryty 6144 i 64 głowy uwagi. Łączy Multi-head Latent Attention (MLA) oraz indeksator DeepSeek Sparse Attention (DSA), który wybiera do 2048 pozycji kluczy dla każdego zapytania. W warstwach MoE router wybiera czterech ekspertów spośród 128 dla każdego tokena, do których dodawany jest ekspert współdzielony, co daje pięciu aktywnych ekspertów na token. Enkoder obrazów to enkoder Pixtral o rozmiarze 1,6B.
Mistral ogłasza wyniki 61,7% na DeepSWE v1.1, 59,4% na SWE-Atlas-QnA i 28,3% na Terminal-Bench 4, co daje łączny Coding Agent Index na poziomie 49,8%, wyprzedzając DeepSeek V4 Pro 0813 i Qwen3.8 Max. Na Cybench model rozwiązuje 93% serii 40 wyzwań pochodzących z konkursów bezpieczeństwa i osiąga 93,3% odporności na ataki w benchmarku B3 firmy Lakera. Według źródła, na dzień 29 października 2026 roku jest piątym najlepszym modelem o otwartych wagach w indeksie Artificial Analysis Intelligence.
Wdrożenie i adaptacja
Mistral Large 4 jest od premiery kompatybilny z transformers, vLLM i llama.cpp. Na serwerze z ośmioma GPU NVIDIA H200 poprzez Inference Endpoints, wariant FP8 osiąga dla pojedynczego zapytania około 65 tokenów na sekundę, a do 120-138 tokenów na sekundę dla promptów konwersacyjnych. Na Macu M3 Ultra wersja Q2_K pokazuje około 15 tokenów na sekundę podczas generowania.
Model może również zostać poddany fine-tuningowi, czyli dodatkowemu dostrojeniu na specyficznych danych. Przykład jest przedstawiony z użyciem TRL, biblioteki Hugging Face, na węźle z ośmioma GPU B300, aby nauczyć model rozumowania w języku wymaganym przez prompt systemowy. Przykłady TRL zawierają skrypt uruchamiający Slurm. Dell oferuje ponadto zoptymalizowaną receptę na wdrożenie modelu na swoich serwerach Dell AI, w szczególności na węźle NVIDIA B300.
