Mistrals Le Chonk-checkpoint med 1 biljon parametrar släpps på Hugging Face

Den 29 oktober 2026 släppte Mistral AI vikterna till Mistral Large 4, företagets flaggskeppsmodell med 1 biljon parametrar, inbyggt multimodal och känd som Le Chonk. Checkpointen kan nu laddas ner från Hugging Face för egen drift och finns tillgänglig via företagets API och partnerplattformar under en modifierad MIT-licens för öppna vikter.

Lanseringen följer på modellens offentliga förhandsvisning den 6 oktober 2026, då Mistral först presenterade systemet med blandning av experter och 1,05 biljoner parametrar. I sitt tillkännagivande uppgav Mistral att företaget hade tagit till vara på återkopplingen från förhandsvisningen och samtidigt fortsatt att skala upp förstärkningsinlärningen, vilket enligt företaget ledde till stora framsteg inom kodning, defensiv cybersäkerhet och effektivare resonemang. Företaget beskrev Mistral Large 4 som den bästa modellen med öppna vikter för kodning och sade att framstegen fortsatte att accelerera utan tecken på att plana ut.

Licens, prissättning och tillgänglighet

Vikterna publiceras på Hugging Face under licensen Mistral Ecosystem Open-Weight License, en modifierad version av MIT-licensen. Enligt villkoren får modellen användas, ändras, finjusteras och kommersialiseras utan kostnad, med ett enda förbehåll: företag som erbjuder modellen som en tjänst (Model-as-a-Service) måste skaffa en separat kommersiell licens från Mistral innan de använder modellen kommersiellt.

Enligt Mistrals modelldokumentation kostar API-åtkomst 0,70 dollar per miljon indatatoken, 0,07 dollar per miljon cachade indatatoken och 2,10 dollar per miljon utdatatoken. Modellen erbjuds som mistral-large-4 via Mistral API och Mistral Studio och finns även via OpenRouter, Mistrals kodningsassistent Vibe Code, NVIDIA-värdade slutpunkter med en optimerad NVIDIA NIM-container och Microsoft Foundry. Mistral uppgav att privata driftsättningsalternativ erbjuds för Azure-utvecklare via Foundry. Tina Schuchman, Microsofts vice vd för Foundry, sade att Microsoft är den första molnleverantören som gör Mistral Large 4 tillgänglig för kunder.

Kodningsriktmärken och resonemangslägen

Mistral uppgav att Mistral Large 4 ligger i topp i Cognitions privata riktmärke FrontierCode 2.0, som bedömer kodkvalitet från början till slut och om en kodbasansvarig skulle slå samman en agents ändring. Modellen fick 19,7 procent, vilket är högre än resultaten för de listade modellerna med öppna vikter, däribland GLM-5.3, Kimi K3 och DeepSeek V4.1 Flash.

I Artificial Analysis Coding Agent Index rapporterade Mistral ett resultat på 48 procent och beskrev det som i praktiken likvärdigt med det ledande öppna vikt-modellen GLM-5.3, samtidigt som modellen i genomsnitt använde 47 procent färre token per uppgift. I Terminal-Bench 4.0 rapporterade företaget en förbättring med 13 procentenheter jämfört med den offentliga förhandsvisningen, till 41 procent. Därmed tog modellen ledningen bland modeller med öppna vikter och minskade samtidigt antalet utdatatoken med 30 procent. I de blinda parvisa utvärderingarna av mänskliga preferenser i Surge Code, som Mistral hänvisade till, föredrogs modellen framför GLM-5.3, Kimi K3 och DeepSeek V4.1 Flash. Bland de utvärderade modellerna placerade den sig bakom endast Claude Opus 5.5.

Modellen stöder tre resonemangslägen: låg, medelhög och hög, där hög är standardläget. Mistral uppgav att det låga läget ersätter det tidigare resonemangsläget ”None” och passar för enkla uppgifter, medan medelhögt läge lämpar sig för vardaglig användning och det höga läget är avsett för de svåraste användningsfallen som kräver grundligt resonemang. På så sätt kan utvecklare väga prestanda mot kostnad.

Cybersäkerhetsresultat och ändringar av skyddsräcken

Mistral rapporterade ett resultat på 51 procent i Artificial Analysis Cyber Index, som mäter en modells förmåga att hitta sårbarheter i en kodbas, återskapa och bekräfta dem samt åtgärda dem utan att befintlig funktionalitet slutar fungera. Företaget uppgav att modellen hanterar legitima defensiva säkerhetsuppgifter utan onödiga avslag, samtidigt som de inbyggda skyddsräckena skiljer mellan defensiva uppgifter och skadliga offensiva uppgifter. Mistral rapporterade en genomsnittlig avslagsfrekvens på 96,6 procent för skadliga cyberförfrågningar i cyberrelaterade frågor från JailbreakBench, StrongREJECT och AgentHarm, och beskrev resultatet som det högsta företaget uppmätt bland modeller med öppna vikter.

I tillkännagivandet framgick också att Mistral hade övervakat cybersäkerhetsrelaterad användning i sin live-trafik efter förhandsvisningen. Företaget uppgav att det hade sett modellen vägra att medverka i svartlådesattacker mot mål i drift, men att det ser en risk för att modellen kan bidra till att genomföra verkliga attacker. Därför ändrar företaget sina skyddsräcken och lovar ytterligare uppdateringar under de kommande månaderna. Företagets designpartner, däribland Orange Cyberdefense, får förhandsåtkomst till en specialiserad variant av Mistral Large 4 som optimerats för penetrationstester, sårbarhetsbedömning och red teaming. Åtkomsten förutsätter granskning och avtalsmässiga skyddsåtgärder som begränsar testerna till system som ägs eller uttryckligen har godkänts för testning, i kontrollerade miljöer.

Tillkännagivandet innehöll utvärderingsuttalanden från chefer på Booz Allen Hamilton, Cisco, Cloudflare, CrowdStrike, Elastic, ENISA, Fortinet, NVIDIA, Orange Cyberdefense, Rubrik och Zscaler. Brad Medairy, chef för den nationella cybersäkerhetsverksamheten på Booz Allen Hamilton, sade att tester visade att modellen nådde samma nivå på återkallningen vid sårbarhetsidentifiering som andra ledande cybermodeller, enligt företagets interna riktmärke för säkerhetsanalys av källkod.

Arkitektur och träning

Enligt modellkortet är Mistral Large 4 en modell med en finfördelad blandning av experter, med ungefär 1 biljon parametrar totalt och omkring 52 miljarder aktiva parametrar per token (49 miljarder om inbäddningar och utmatningslager inte räknas med). Modellen har 128 routade experter, varav fyra är aktiva per token, samt en gemensam expert. Den stöder ett kontextfönster på 1 miljon token och kan ta emot text och bilder som indata och generera text som utdata med hjälp av en Pixtral-liknande bildkodare med 1,6 miljarder parametrar, tränad för att hantera varierande bildstorlekar och bildförhållanden. Mistral uppger att modellen tränades från grunden på 3 800 NVIDIA Grace Blackwell-GPU:er i företagets egna datacenter i Europa och att den har inbyggd språkkompetens i fler än 160 språk, däribland samtliga officiella språk i Europeiska unionen.

Checkpointen levereras med ett inbyggt utkastshuvud för spekulativ avkodning från DSpark, som föreslår block med tre token. Mistral uppmätte upp till 1,9 gånger högre genomströmning med detta än när målmodellen körs ensam. En kvantiserad NVFP4-checkpoint avsedd för Blackwell-GPU:er finns också tillgänglig. På Artificial Analysis Intelligence Index v5 rapporterar modellkortet ett resultat på 26, beskrivet som det högsta bland västerländska modeller med öppna vikter, samtidigt som det påpekar att ledande kinesiska modeller med öppna vikter får högre resultat på det sammanvägda indexet. Mistral rapporterade också att resultatet för Finch (FinWorkBench) steg till 73,3 %, näst högst bland öppna modeller efter Kimi K3; att BrowseComp nådde 84,5 %, jämfört med 75 % för en checkpoint för övervakad finjustering; och att motståndskraften mot attacker uppgick till 97,1 % på B3 Agent Security Benchmark, en ökning från 93,3 % i förhandsversionen.

Mistral uppgav att Mistral Large 4 ska ligga till grund för en ny generation specialiserade och optimerade Mistral-modeller och hänvisade till nyligen lanserade modeller som Voxtral och Timestral.