Mistrals kontrollpunkt Le Chonk med 1 billion parametere er tilgjengelig på Hugging Face

Mistral AI offentliggjorde 29. oktober 2026 vektene til Mistral Large 4, sin flaggskipmodell med 1 billion parametere og innebygd multimodalitet, kjent som Le Chonk. Dermed kan kontrollpunktet lastes ned fra Hugging Face for egen drift, og modellen er tilgjengelig via Mistrals API og partnerplattformer under en modifisert MIT-lisens for åpne vekter.

Lanseringen kommer etter modellens offentlige forhåndsvisning 6. oktober 2026, da Mistral først presenterte systemet med en blanding av eksperter og 1,05 billioner parametere. I kunngjøringen sa Mistral at selskapet hadde tatt i bruk tilbakemeldinger fra forhåndsvisningen, samtidig som det fortsatte å skalere opp forsterkende læring. Ifølge selskapet førte dette til store forbedringer innen koding, defensiv cybersikkerhet og effektivitet i resonnering. Mistral beskrev Mistral Large 4 som den beste modellen med åpne vekter for koding og sa at forbedringene fortsatte å tilta uten tegn til å flate ut.

Lisens, priser og tilgjengelighet

Vektene er publisert på Hugging Face under Mistral Ecosystem Open-Weight License, en modifisert versjon av MIT-lisensen. I henhold til lisensvilkårene kan modellen brukes, endres, finjusteres og kommersialiseres kostnadsfritt, med ett forbehold: Virksomheter som tilbyr modeller som en tjeneste (Model-as-a-Service), må innhente en separat kommersiell lisens fra Mistral før de bruker modellen kommersielt.

Ifølge Mistrals modelldokumentasjon koster API-tilgang $0,70 per million inndatatokener, $0,07 per million bufrede inndatatokener og $2,10 per million utdata-tokener. Modellen tilbys som mistral-large-4 via Mistral API og Mistral Studio. Den er også tilgjengelig gjennom OpenRouter, Mistrals kodeassistent Vibe Code, NVIDIA-driftede endepunkter med en optimalisert NVIDIA NIM-container og Microsoft Foundry. Mistral opplyste at Azure-utviklere kan bruke private utrullingsalternativer gjennom Foundry, og Tina Schuchman, konserndirektør for Foundry hos Microsoft, sa at Microsoft er den første skyleverandøren som gjør Mistral Large 4 tilgjengelig for kunder.

Kodebenchmarktester og resonneringsmoduser

Mistral opplyste at Mistral Large 4 leder Cognitions private benchmarktest FrontierCode 2.0, som vurderer kodekvalitet fra start til slutt og om en vedlikeholder av et kodearkiv ville slå sammen en endring fra en agent. Modellen fikk en poengsum på 19,7 prosent, foran de oppførte modellene med åpne vekter, deriblant GLM-5.3, Kimi K3 og DeepSeek V4.1 Flash.

På Artificial Analysis Coding Agent Index rapporterte Mistral en poengsum på 48 prosent og beskrev resultatet som tilnærmet likt det ledende alternativet med åpne vekter, GLM-5.3, samtidig som modellen i gjennomsnitt brukte 47 prosent færre tokener per oppgave. På Terminal-Bench 4.0 rapporterte selskapet en forbedring på 13 prosentpoeng fra den offentlige forhåndsvisningen, til 41 prosent. Dermed tok modellen ledelsen blant modeller med åpne vekter, samtidig som den reduserte antallet utdata-tokener med 30 prosent. I blindede parvise evalueringer av menneskelige preferanser i Surge Code, som Mistral viste til, ble modellen foretrukket fremfor GLM-5.3, Kimi K3 og DeepSeek V4.1 Flash. Blant de evaluerte modellene var det bare Claude Opus 5.5 som ble rangert høyere.

Modellen støtter tre resonneringsmoduser: lav, middels og høy, der høy er standardinnstillingen. Mistral sa at modusen lav erstatter den tidligere resonneringsmodusen «None» og passer til enkle oppgaver, mens middels er beregnet på daglig bruk og høy på de mest krevende bruksområdene som krever grundig resonnering. Dette gir utviklere mulighet til å veie ytelse opp mot kostnader.

Resultater innen cybersikkerhet og endringer i sikkerhetsmekanismene

Mistral rapporterte en poengsum på 51 prosent på Artificial Analysis Cyber Index, som måler en modells evne til å finne sårbarheter i en kodebase, gjenskape og validere dem og rette dem uten å ødelegge eksisterende funksjonalitet. Selskapet sa at modellen håndterer legitime defensive sikkerhetsoppgaver uten unødvendige avslag, samtidig som de innebygde sikkerhetsmekanismene skiller mellom defensive oppgaver og ondsinnede offensive oppgaver. Mistral rapporterte en gjennomsnittlig avslagsrate på 96,6 prosent for ondsinnede cyberforespørsler på tvers av de cyberrelaterte spørsmålene i JailbreakBench, StrongREJECT og AgentHarm, og beskrev dette som den høyeste andelen selskapet måler blant modeller med åpne vekter.

I kunngjøringen opplyste Mistral også at selskapet hadde overvåket bruk knyttet til cybersikkerhet i den løpende trafikken etter forhåndsvisningen. Selskapet sa at det hadde observert at modellen avslo å etterkomme svartboksangrep mot aktive mål, men at det ser et potensial for å øke kapasiteten til å gjennomføre reelle angrep. Derfor endrer selskapet sikkerhetsmekanismene, og varslet flere oppdateringer i månedene som kommer. Strategiske bedriftspartnere som Orange Cyberdefense får forhåndstilgang til en spesialisert variant av Mistral Large 4, optimalisert for penetrasjonstesting, sårbarhetsvurdering og red teaming. Tilgangen er underlagt kontroll og kontraktsfestede sikkerhetstiltak som begrenser testingen til systemer partnerne eier eller har uttrykkelig tillatelse til å teste, i kontrollerte miljøer.

Kunngjøringen inneholdt uttalelser om evalueringer fra ledere i Booz Allen Hamilton, Cisco, Cloudflare, CrowdStrike, Elastic, ENISA, Fortinet, NVIDIA, Orange Cyberdefense, Rubrik og Zscaler. Brad Medairy, president for nasjonal cybersikkerhet i Booz Allen Hamilton, sa at testingen viste at modellen oppnådde samme gjenfinningsgrad for sårbarheter som andre avanserte cybermodeller, målt mot selskapets interne referanse for sikkerhetsanalyse av kildekode.

Arkitektur og trening

Ifølge modellkortet er Mistral Large 4 en finmasket blanding-av-eksperter-modell med omtrent 1 billion parametere totalt og rundt 52 milliarder aktive parametere per token (49 milliarder uten embedding-lagene og utgangslagene), med 128 rutede eksperter, hvorav fire er aktive per token, samt én delt ekspert. Modellen støtter et kontekstvindu på 1 million token og tar imot tekst og bilder som inndata, med tekst som utdata, via en synsmodul med 1,6 milliarder parametere i Pixtral-stil, som er trent til å håndtere varierende bildestørrelser og sideforhold. Mistral opplyser at modellen ble trent fra grunnen av på 3 800 NVIDIA Grace Blackwell-GPU-er i selskapets egne datasentre i Europa, og at den behersker mer enn 160 språk fra grunnen av, inkludert alle EUs offisielle språk.

Sjekkpunktet leveres med et innebygd utkastshode for DSpark-spekulativ dekoding, som foreslår blokker på tre token. Mistral målte at dette gir opptil 1,9 ganger høyere gjennomstrømning enn når målmodellen kjøres alene. Et kvantisert NVFP4-sjekkpunkt beregnet på Blackwell-GPU-er er også tilgjengelig. På Artificial Analysis Intelligence Index v5 oppgir modellkortet en poengsum på 26, beskrevet som den høyeste blant vestlige modeller med åpne vekter, samtidig som det påpekes at ledende kinesiske modeller med åpne vekter oppnår høyere poengsummer på den samlede indeksen. Mistral rapporterte også at poengsummen for Finch (FinWorkBench) steg til 73,3 %, nest høyest blant modeller med åpne vekter etter Kimi K3; at BrowseComp nådde 84,5 % med et sjekkpunkt for overvåket finjustering som hadde fått 75 %; og at motstandsdyktigheten mot angrep var 97,1 % på B3 Agent Security Benchmark, opp fra 93,3 % i forhåndsversjonen.

Mistral sa at Mistral Large 4 skal danne grunnlaget for en ny generasjon spesialiserte og optimaliserte Mistral-modeller, og viste til nylige lanseringer som Voxtral og Timestral.