Mistral Large 4 erscheint als offenes Multimodell
Mistral hat Mistral Large 4, von der Community Le Chonk genannt, auf Hugging Face veröffentlicht. Das multimodale, mehrsprachige Mixture-of-Experts-Modell nimmt Text und Bilder auf und erzeugt Text. Es umfasst rund eine Billion Gesamtparameter, aktiviert pro Token etwa 49 Milliarden Parameter und unterstützt ein Kontextfenster von einer Million Token. Verfügbare Varianten sind FP8 und NVFP4; zusätzlich gibt es GGUF-Quantisierungen von Unsloth und dem llama.cpp-Team. Die Mistral Ecosystem Open-Weight License basiert auf MIT und definiert Beschränkungen für modellbasierte Dienste. Das Modell richtet sich besonders an Cybersicherheit, Coding-Agenten und multimodale Aufgaben. Im Artificial Analysis Cyber Index erreicht es 82 Prozent bei der Reproduktion und Behebung realer Schwachstellen in Open-Source-Software. Laut Mistral verweigern mehrere geschlossene Frontier-Modelle solche Anfragen fast vollständig, obwohl Verteidiger diese Fähigkeit brauchen. Intern half Mistral Large 4 bei Malware-Analyse, Priorisierung von Schwachstellen und Erkennungsregeln. Gleichzeitig lehnt es schädliche Anfragen in Benchmarks wie JailbreakBench, StrongREJECT und AgentHarm stärker ab als andere Open-Weight-Modelle. Offene Gewichte ermöglichen eigene Sicherheitssysteme um Codebasen, Crashlogs und Malware-Proben sowie Feinabstimmung kleinerer Modelle aus den Spuren des großen Modells. Architektonisch nutzt der Textdecoder 72 Schichten, 6.144 versteckte Dimensionen und 64 Attention-Heads. Multi-head Latent Attention wird mit DeepSeek Sparse Attention kombiniert, die pro Abfrage bis zu 2.048 Schlüsselpositionen auswählt. Die Decoder-Schichten folgen einem Muster von drei RoPE- auf eine NoPE-Schicht; KV-Zustände werden über Schichten geteilt. Nach einer dichten ersten Feed-Forward-Schicht verwenden die übrigen 71 Schichten MoE-Blöcke; ein Softmax-Router wählt vier von 128 Experten pro Token, ergänzt um einen geteilten Experten. Für Positionscodierungen nutzt Mistral LeRope. Der 1,6 Milliarden Parameter große Pixtral-Vision-Encoder hat 30 Schichten, 2.048 versteckte Dimensionen, 16 Attention-Heads und 14-mal-14-Bildpatches. Mistral Large 4 rangiert am 29. Oktober 2026 auf Platz fünf der Open-Weight-Modelle im Artificial Analysis Intelligence Index. Im Coding-Agent-Index erreicht es 49,8 Prozent, vor DeepSeek V4 Pro 0813 und Qwen3.8 Max. Bei DeepSWE v1.1 sind es 61,7 Prozent, bei SWE-Atlas-QnA 59,4 Prozent und bei Terminal-Bench 4 28,3 Prozent. Für Wissensarbeit nennt Hugging Face 59,9 Prozent auf AutomationBench und 1.393 Elo auf AA-Briefcase. Gegen Prompt Injection erreicht das Modell 93,3 Prozent Angriffswiderstand auf Lakeras B3-Benchmark. Mistral Large 4 erhält Tag-0-Support für Transformers, vLLM und llama.cpp. Transformers nutzt AutoModelForMultimodalLM und AutoProcessor; die Reasoning-Stärke ist wählbar, Standard ist high. vLLM unterstützt den NVFP4-Checkpoint und DSpark für schnellere Inferenz. llama.cpp und Llama App unterstützen 2-Bit-Quants auf Apple-Silicon-Systemen mit 512 GB Unified Memory; größere Varianten laufen verteilt auf NVIDIA- oder AMD-Karten. Hugging Face bietet fertige Inference Endpoints, darunter eine FP8-Konfiguration auf acht NVIDIA H200 GPUs. Dell Enterprise Hub ergänzt optimierte Rezepte für Dell-AI-Server mit NVIDIA-H200-, B200-, GB200- oder GB300-GPUs.
