Mistrals Le Chonk-checkpoint med 1 billion parametre lander på Hugging Face

Mistral AI offentliggjorde den 29. oktober 2026 vægtene til Mistral Large 4, virksomhedens flagskibsmodel med 1 billion parametre og indbygget multimodalitet, kendt som Le Chonk. Dermed kan checkpointet downloades fra Hugging Face til selvhosting, og modellen er tilgængelig via virksomhedens API og partnerplatforme under en modificeret MIT-licens for åbne vægte.

Udgivelsen følger modellens offentlige forhåndsvisning den 6. oktober 2026, hvor Mistral første gang præsenterede systemet med blanding af eksperter og 1,05 billioner parametre. I sin annoncering sagde Mistral, at virksomheden havde indarbejdet tilbagemeldinger fra forhåndsvisningen, samtidig med at den fortsatte med at opskalere forstærkningslæring. Det førte ifølge virksomheden til markante fremskridt inden for kodning, defensiv cybersikkerhed og ræsonnementseffektivitet. Mistral beskrev Mistral Large 4 som den bedste model med åbne vægte til kodning og sagde, at fremskridtene fortsat accelererede uden tegn på mætning.

Licens, priser og tilgængelighed

Vægtene er offentliggjort på Hugging Face under Mistral Ecosystem Open-Weight License, en modificeret version af MIT-licensen. I henhold til licensvilkårene må modellen bruges, ændres, finjusteres og kommercialiseres uden beregning, med én betingelse: Virksomheder, der tilbyder Model-as-a-Service, skal indhente en separat kommerciel licens fra Mistral, før de bruger modellen kommercielt.

Ifølge Mistrals modeldokumentation koster API-adgang 0,70 USD pr. million inputtokens, 0,07 USD pr. million cachelagrede inputtokens og 2,10 USD pr. million outputtokens. Modellen stilles til rådighed som mistral-large-4 via Mistral API og Mistral Studio. Den fås også via OpenRouter, Mistrals kodningsassistent Vibe Code, NVIDIA-hostede endpoints med en optimeret NVIDIA NIM-container og Microsoft Foundry. Mistral oplyste, at Azure-udviklere kan få private implementeringsmuligheder via Foundry, og Tina Schuchman, Microsofts koncerndirektør for Foundry, sagde, at Microsoft er den første cloududbyder, der gør Mistral Large 4 tilgængelig for kunder.

Kodningsbenchmarks og ræsonnementstilstande

Mistral oplyste, at Mistral Large 4 fører an i Cognitions private benchmark FrontierCode 2.0, som vurderer den samlede kodekvalitet, og om en vedligeholder af et repository ville sammenflette en agents ændring. Modellen opnåede en score på 19,7 %, foran de øvrige anførte modeller med åbne vægte, herunder GLM-5.3, Kimi K3 og DeepSeek V4.1 Flash.

I Artificial Analysis Coding Agent Index oplyste Mistral, at modellen fik en score på 48 %, hvilket ifølge virksomheden reelt er på niveau med den førende model med åbne vægte, GLM-5.3, samtidig med at den i gennemsnit brugte 47 % færre tokens pr. opgave. På Terminal-Bench 4.0 rapporterede virksomheden en forbedring på 13 procentpoint i forhold til den offentlige forhåndsvisning, så modellen nåede op på 41 % og tog føringen blandt modeller med åbne vægte, samtidig med at antallet af outputtokens blev reduceret med 30 %. I de blinde, parvise menneskelige præferenceevalueringer på Surge Code, som Mistral henviste til, blev modellen foretrukket frem for GLM-5.3, Kimi K3 og DeepSeek V4.1 Flash. Blandt de evaluerede modeller lå kun Claude Opus 5.5 foran den.

Modellen understøtter tre ræsonnementstilstande: lav, mellem og høj, hvor høj er standardindstillingen. Mistral oplyste, at tilstanden lav erstatter den tidligere ræsonnementstilstand »None« og egner sig til enkle opgaver, mens mellem er beregnet til daglig brug, og høj er tiltænkt de vanskeligste anvendelser, der kræver grundigt ræsonnement. Det giver udviklere mulighed for at afveje ydeevne mod omkostninger.

Resultater inden for cybersikkerhed og ændringer af sikkerhedsforanstaltninger

Mistral rapporterede en score på 51 % på Artificial Analysis Cyber Index, som måler en models evne til at finde sårbarheder i en kodebase, genskabe og validere dem samt rette dem uden at ødelægge eksisterende funktionalitet. Virksomheden sagde, at modellen håndterer legitime defensive sikkerhedsopgaver uden unødvendige afvisninger, mens dens indbyggede sikkerhedsforanstaltninger skelner mellem defensive og ondsindede offensive opgaver. Mistral rapporterede en gennemsnitlig afvisningsrate på 96,6 % for ondsindede cyberforespørgsler på tværs af de cyberrelaterede prompts i JailbreakBench, StrongREJECT og AgentHarm og beskrev den som den højeste blandt åbne modeller, som virksomheden måler.

Annonceringen oplyste også, at Mistral havde overvåget brug relateret til cybersikkerhed i virksomhedens live-trafik efter forhåndsvisningen. Virksomheden sagde, at den havde observeret, at modellen afviste at efterkomme black-box-angreb mod aktive mål, men at den ser potentiale for at øge modellens evne til at gennemføre virkelige angreb og derfor ændrer dens sikkerhedsforanstaltninger. Yderligere opdateringer er lovet i de kommende måneder. Designpartnere inden for erhvervslivet, såsom Orange Cyberdefense, får forhåndsadgang til en specialiseret variant af Mistral Large 4, der er optimeret til penetrationstest, sårbarhedsvurdering og red teaming. Adgangen er betinget af kontrol og kontraktlige sikkerhedsforanstaltninger, som begrænser test til systemer, der ejes af partneren eller udtrykkeligt er godkendt til test, i kontrollerede miljøer.

Annonceringen indeholdt udtalelser om evalueringer fra ledere hos Booz Allen Hamilton, Cisco, Cloudflare, CrowdStrike, Elastic, ENISA, Fortinet, NVIDIA, Orange Cyberdefense, Rubrik og Zscaler. Brad Medairy, formand for den nationale cybersikkerhedsafdeling hos Booz Allen Hamilton, sagde, at test viste, at modellen matchede andre førende cybersikkerhedsmodellers genkaldelsesrater for sårbarhedsdetektion på virksomhedens interne benchmark for sikkerhedsanalyse af kildekode.

Arkitektur og træning

Ifølge modelkortet er Mistral Large 4 en finmasket model med en blanding-af-eksperter-arkitektur og omtrent 1 billion parametre i alt samt cirka 52 milliarder aktive parametre pr. token (49 milliarder, når indlejringer og outputlag ikke medregnes). Modellen har 128 routede eksperter, hvoraf fire er aktive pr. token, samt én delt ekspert. Den understøtter et kontekstvindue på 1 million tokens og kan modtage tekst og billeder og generere tekst ved hjælp af en synsencoder i Pixtral-stil med 1,6 milliarder parametre, der er trænet til at håndtere billeder i varierende størrelser og billedformater. Mistral oplyser, at modellen er trænet fra bunden på 3.800 NVIDIA Grace Blackwell-GPU’er i virksomhedens egne datacentre i Europa, og at den fra starten behersker mere end 160 sprog flydende, herunder alle EU’s officielle sprog.

Checkpointet leveres med et indbygget kladdehoved til spekulativ afkodning fra DSpark, som foreslår blokke på tre tokens. Mistral har målt, at det giver op til 1,9 gange højere gennemløb end kun at betjene målmodellen. Der findes også et kvantiseret NVFP4-checkpoint målrettet Blackwell-GPU’er. På Artificial Analysis Intelligence Index v5 angiver modelkortet en score på 26, som beskrives som den højeste blandt vestlige modeller med åbne vægte, samtidig med at det bemærkes, at førende kinesiske modeller med åbne vægte scorer højere på det samlede indeks. Mistral oplyste også, at scoren for Finch (FinWorkBench) steg til 73,3 %, hvilket placerer modellen som nummer to blandt åbne modeller efter Kimi K3; at BrowseComp nåede 84,5 % med udgangspunkt i et checkpoint for superviseret finjustering, der scorede 75 %; og at modstandsdygtigheden over for angreb var 97,1 % på B3 Agent Security Benchmark, en stigning fra 93,3 % i forhåndsvisningen.

Mistral sagde, at Mistral Large 4 skal danne grundlag for en ny generation af specialiserede og optimerede Mistral-modeller, og henviste til nyere udgivelser som Voxtral og Timestral.