Mistrals Le-Chonk-Checkpoint mit 1 Billion Parametern ist auf Hugging Face verfügbar

Mistral AI veröffentlichte am 29. Oktober 2026 die Gewichte von Mistral Large 4, seinem nativen multimodalen Flaggschiffmodell mit 1 Billion Parametern, das als Le Chonk bekannt ist. Damit steht der Checkpoint zum Herunterladen von Hugging Face und zum selbst gehosteten Betrieb bereit und ist unter einer angepassten MIT-Lizenz für offene Gewichte über die API des Unternehmens und Partnerplattformen verfügbar.

Die Veröffentlichung folgt auf die öffentliche Vorschau des Modells am 6. Oktober 2026, bei der Mistral erstmals das Mixture-of-Experts-System mit 1,05 Billionen Parametern vorstellte. In seiner Ankündigung erklärte Mistral, man habe Rückmeldungen aus der Vorschau berücksichtigt und zugleich das Reinforcement Learning weiter skaliert. Das habe zu den als erheblich bezeichneten Fortschritten beim Programmieren, bei der defensiven Cybersicherheit und bei der Effizienz des Schlussfolgerns geführt. Das Unternehmen bezeichnete Mistral Large 4 als das beste Modell mit offenen Gewichten für Programmieraufgaben und erklärte, die Fortschritte beschleunigten sich weiter, ohne Anzeichen einer Sättigung.

Lizenz, Preise und Verfügbarkeit

Die Gewichte werden auf Hugging Face unter der Mistral Ecosystem Open-Weight License veröffentlicht, einer angepassten Version der MIT-Lizenz. Gemäß den Lizenzbedingungen kann das Modell kostenlos genutzt, verändert, feinabgestimmt und kommerzialisiert werden. Eine Bedingung gilt jedoch: Unternehmen, die ein Model-as-a-Service-Angebot betreiben, müssen vor der kommerziellen Nutzung des Modells eine separate kommerzielle Lizenz von Mistral einholen.

Der API-Zugang kostet laut Modelldokumentation von Mistral 0,70 $ pro Million Eingabetokens, 0,07 $ pro Million zwischengespeicherter Eingabetokens und 2,10 $ pro Million Ausgabetokens. Das Modell ist über die Mistral API und Mistral Studio unter der Bezeichnung mistral-large-4 verfügbar. Außerdem kann es über OpenRouter, Mistrals Programmierassistenten Vibe Code, von NVIDIA gehostete Endpunkte mit einem optimierten NVIDIA-NIM-Container und Microsoft Foundry genutzt werden. Mistral erklärte, dass Azure-Entwicklern über Foundry Optionen für den privaten Einsatz zur Verfügung stehen. Tina Schuchman, Corporate Vice President von Foundry bei Microsoft, sagte, Microsoft sei der erste Cloud-Anbieter, der Mistral Large 4 für Kunden bereitstelle.

Programmier-Benchmarks und Schlussfolgerungsmodi

Mistral zufolge liegt Mistral Large 4 im privaten FrontierCode-2.0-Benchmark von Cognition vorn. Dieser bewertet die Codequalität von Anfang bis Ende sowie die Frage, ob ein Repository-Maintainer die Änderung eines Agenten übernehmen würde. Das Modell erzielte 19,7 % und lag damit vor den aufgeführten Modellen mit offenen Gewichten, darunter GLM-5.3, Kimi K3 und DeepSeek V4.1 Flash.

Im Artificial Analysis Coding Agent Index erzielte Mistral laut eigenen Angaben 48 % und lag damit praktisch gleichauf mit dem führenden Modell mit offenen Gewichten, GLM-5.3, wobei es im Durchschnitt 47 % weniger Tokens pro Aufgabe verwendete. Beim Terminal-Bench 4.0 meldete das Unternehmen eine Verbesserung um 13 Prozentpunkte gegenüber der öffentlichen Vorschau auf 41 %. Damit übernahm das Modell die Führung unter den Modellen mit offenen Gewichten und reduzierte zugleich die Zahl der Ausgabetokens um 30 %. Bei den von Mistral angeführten verblindeten paarweisen Bewertungen menschlicher Präferenzen in Surge Code wurde das Modell GLM-5.3, Kimi K3 und DeepSeek V4.1 Flash vorgezogen. Unter den bewerteten Modellen lag nur Claude Opus 5.5 davor.

Das Modell unterstützt drei Schlussfolgerungsmodi: niedrig, mittel und hoch; standardmäßig ist der hohe Modus aktiviert. Mistral zufolge ersetzt der niedrige Modus den bisherigen Schlussfolgerungsmodus „None“ und eignet sich für einfache Aufgaben. Der mittlere Modus ist für den Alltag gedacht, während der hohe Modus die schwierigsten Anwendungsfälle abdeckt, die gründliches Schlussfolgern erfordern. So können Entwickler Leistung und Kosten gegeneinander abwägen.

Ergebnisse zur Cybersicherheit und Änderungen an Schutzmechanismen

Mistral meldete im Artificial Analysis Cyber Index, der die Fähigkeit eines Modells bewertet, Schwachstellen in einer Codebasis zu entdecken, sie zu reproduzieren und zu validieren sowie zu beheben, ohne bestehende Funktionen zu beeinträchtigen, einen Wert von 51 %. Das Unternehmen erklärte, das Modell bewältige legitime defensive Sicherheitsaufgaben ohne unnötige Ablehnungen und seine integrierten Schutzmechanismen unterschieden zwischen defensiven und böswilligen offensiven Aufgaben. Bei schädlichen Cyberanfragen in den cyberbezogenen Prompts von JailbreakBench, StrongREJECT und AgentHarm lag die durchschnittliche Ablehnungsrate laut Mistral bei 96,6 %. Das Unternehmen bezeichnete diesen Wert als den höchsten, den es unter Modellen mit offenen Gewichten misst.

In der Ankündigung wurde außerdem offengelegt, dass Mistral nach der Vorschau die Nutzung des Modells im Bereich Cybersicherheit anhand des Live-Traffics überwacht hatte. Das Unternehmen erklärte, es habe beobachtet, dass das Modell Black-Box-Angriffe auf aktive Ziele ablehnte. Zugleich sehe es Potenzial für eine Leistungssteigerung bei der Durchführung realer Angriffe und passe deshalb die Schutzmechanismen entsprechend an; weitere Aktualisierungen seien für die kommenden Monate angekündigt. Unternehmenskunden als Designpartner, darunter Orange Cyberdefense, erhalten Vorschauzugang zu einer spezialisierten Variante von Mistral Large 4, die für Penetrationstests, Schwachstellenbewertungen und Red Teaming optimiert ist. Der Zugang unterliegt einer Prüfung und vertraglichen Schutzvorkehrungen, die Tests auf eigene oder ausdrücklich autorisierte Systeme in kontrollierten Umgebungen beschränken.

Die Ankündigung enthielt Einschätzungen zu den Evaluierungen von Führungskräften bei Booz Allen Hamilton, Cisco, Cloudflare, CrowdStrike, Elastic, ENISA, Fortinet, NVIDIA, Orange Cyberdefense, Rubrik und Zscaler. Brad Medairy, Präsident des Bereichs National Cyber bei Booz Allen Hamilton, sagte, Tests hätten gezeigt, dass das Modell bei der Erkennungsrate von Schwachstellen mit anderen führenden Cybermodellen gleichauf liege, gemessen am internen Benchmark des Unternehmens für die Sicherheitsanalyse von Quellcode.

Architektur und Training

Laut Model Card ist Mistral Large 4 ein fein abgestuftes Mixture-of-Experts-Modell mit insgesamt rund 1 Billion Parametern und etwa 52 Milliarden aktiven Parametern pro Token (49 Milliarden ohne Embeddings und Ausgabeschichten), 128 gerouteten Experten, von denen pro Token vier aktiv sind, sowie einem gemeinsamen Experten. Das Modell unterstützt ein Kontextfenster von 1 Million Tokens und verarbeitet Text- und Bildeingaben mit Textausgabe. Dafür nutzt es einen Vision-Encoder im Stil von Pixtral mit 1,6 Milliarden Parametern, der darauf trainiert wurde, mit unterschiedlichen Bildgrößen und Seitenverhältnissen umzugehen. Mistral zufolge wurde das Modell von Grund auf auf 3.800 NVIDIA Grace Blackwell GPUs in den eigenen Rechenzentren des Unternehmens in Europa trainiert. Es beherrscht nativ mehr als 160 Sprachen, darunter alle Amtssprachen der Europäischen Union.

Der Checkpoint enthält einen integrierten Entwurfskopf für spekulatives Decoding namens DSpark, der Tokenblöcke mit jeweils drei Tokens vorschlägt. Mistral zufolge erzielte das Modell damit einen bis zu 1,9-mal höheren Durchsatz als bei der alleinigen Bereitstellung des Zielmodells. Außerdem ist ein quantisierter NVFP4-Checkpoint für Blackwell-GPUs verfügbar. Auf dem Artificial Analysis Intelligence Index v5 erreicht das Modell laut Model Card einen Wert von 26. Dieser wird als höchster Wert unter den westlichen Open-Weight-Modellen bezeichnet; zugleich wird darauf hingewiesen, dass führende chinesische Open-Weight-Modelle im Gesamtindex höher abschneiden. Mistral berichtete außerdem, dass der Wert des Modells bei Finch (FinWorkBench) auf 73,3 % gestiegen sei und damit unter den offenen Modellen hinter Kimi K3 an zweiter Stelle liege; BrowseComp erreichte 84,5 %, ausgehend von 75 % bei einem Checkpoint für überwachtes Feinabstimmungstraining. Im B3 Agent Security Benchmark lag die Angriffssicherheit bei 97,1 %, gegenüber 93,3 % in der Vorschau.

Mistral erklärte, Mistral Large 4 werde als Grundlage für eine neue Generation spezialisierter und optimierter Mistral-Modelle dienen, und verwies dabei auf jüngste Veröffentlichungen wie Voxtral und Timestral.