# mistral-large-4-le-chonk-2026-10-06

## Veille

Blogbeitrag von **Mistral AI** (signiert mit „By Mistral“, 11 Minuten Lesezeit), datiert auf den **6. Oktober 2026**, der die öffentliche Vorschau von **Mistral Large 4** (ML4, vom Herausgeber „the Chonk“ genannt) ankündigt: ein nativ multimodales Modell mit **1 Billion Parametern, davon 49 Milliarden aktiv**, von Grund auf trainiert auf **3.800 NVIDIA Grace Blackwell GPUs** in den europäischen Rechenzentren von Mistral. Vorschau-API verfügbar auf Mistral Studio; **offene Gewichte für Ende des Monats angekündigt**.

## Titre Article

Introducing Mistral Large 4

## Date

2026-10-06

## URL

https://mistral.ai/news/mistral-large-4/

## Keywords

Mistral Large 4, ML4, the Chonk, Mistral AI, offene Gewichte, MoE-Modell, multimodal, Cybersicherheit, KI-Souveränität, Europa, agentenbasierter Code, DeepSWE, Terminal-Bench, Cybench, Artificial Analysis Cyber Index, Reinforcement Learning, Mistral Forge, Harvey, vals.ai, Robustheit gegen Prompt-Injection, 160 Sprachen, série D

## Authors

Mistral AI — éditeur de modèles d'IA ; billet de blog de l'entreprise (« By Mistral »).

## Ton

Profil: Produktankündigung eines Anbieters, die sich an technische Entscheidungsträger und Unternehmen richtet, strukturiert nach Fähigkeitsbereichen (Cybersicherheit, agentenbasierter Code, agentenbasierte Workflows, Multimodalität, Wissenschaft und Mathematik, Wissensarbeit, Modellsicherheit), mit Benchmark-Tabs und vier interaktiven Demos. Der Text wechselt zwischen Zahlen, namentlichen Vergleichen und einem Souveränitätsargument („Forged in Europe. Built for AI sovereignty“). Er verwendet einen vertrauten Spitznamen für das Modell und benennt den vorläufigen Status des Produkts: Vorschau, Reinforcement Learning „noch im Gange“, wobei Architektur, zusätzliche Benchmarks und die Post-Training-Methode zusammen mit der Veröffentlichung der Gewichte versprochen werden. Die zitierten Evaluierungen kombinieren Dritte (Artificial Analysis, vals.ai, Surge AI, Lakera, HarveyAI) und interne Evaluierungen.

## Pense-betes

- **Modell**: 1 Billion Parameter, 49 Mrd. aktiv, nativ multimodal, hybrides Instruktions- und Reasoning-Modell; mehr als **160 Sprachen**, einschließlich aller offiziellen EU-Sprachen. Trainiert mit der Trainings-, Anpassungs- und Reinforcement-Learning-Umgebung, die Kunden über **Mistral Forge** angeboten wird, mit Unternehmen aus Finanzwesen, Industrie, Logistik, Pharma und dem öffentlichen Sektor.
- **Zeitplan**: API-Vorschau heute, Gewichte vor Ende des Monats. Davor Tests unter realen Bedingungen (Red Teaming) mit Verantwortlichen für Cybersicherheit, verifizierten Partnern und staatlichen Behörden, mit reduzierter Moderation und erweiterten Cyber-Fähigkeiten.
- **Cybersicherheit**: unter den fünf besten Modellen beim AA Cyber Index und führend unter den offenen Modellen außerhalb Chinas; 82 % bei Reproduktion plus Behebung von Schwachstellen, 93 % bei Cybench. Der Beitrag erklärt, dass die Verweigerungen geschlossener Modelle die Schwachstellenforschung und die Reaktion auf Vorfälle blockieren und dass der Verlust des Zugangs mitten in einer Krise ein Risiko darstellt; er hebt den privaten oder On-Premises-Einsatz hervor.
- **Code und Agenten**: 59,4 % bei SWE-Atlas-QnA, Coding Agent Index von 49,8 %, vor DeepSeek V4 Pro 0813 und Qwen3.8 Max; 59,9 % bei AutomationBench (657 Workflows); 1.393 Elo bei AA-Briefcase.
- **Multimodal**: kombinierte visuelle und agentenbasierte Fähigkeiten (Gigapixel-Satellitenbilder, technische Zeichnungen); 42 % gegenüber 41 % für GPT-6 Astra bei Dense 200 (visuelles Grounding).
- **Modellsicherheit**: 93,3 % blockierte Angriffe bei Lakeras B3; KORA-Score von 1,691 von 2; Ablehnungsrate für bösartige Cyber-Anfragen laut Beitrag höher als bei allen verglichenen offenen Modellen.
- **Reinforcement Learning**: Bibliothek zusammensetzbarer Umgebungen (Code-Sandboxes, Websuche, APIs), kombinierte Verifizierung (Reward-Modelle, Tests, LLM-Judges); mit 3.000 GPUs etwa **33 Milliarden Tokens pro Tag**, davon ~16 Milliarden trainierbar; Rollout-Budgets von mehreren Millionen Tokens.
- **Was folgt**: ML4 wird als erster Schritt der Roadmap präsentiert, die durch die Finanzierungsrunde **série D de 3 Md€** finanziert wird, sowie als Basis für eine neue Generation spezialisierter Modelle.
- ⚠️ **Geltungsbereich**: Vorschau; die detaillierte Architektur und die Post-Training-Methode werden nicht veröffentlicht. Die Vergleiche stammen von Mistral selbst, mit einer für den Beitrag spezifischen Auswahl an Wettbewerbern, und mehrere Werte werden ohne die vollständige Tabelle im Text angegeben (Tabs mit Diagrammen).

## RésuméDe400mots

Mistral AI kündigte am 6. Oktober 2026 die öffentliche Vorschau von Mistral Large 4, kurz ML4, genannt „the Chonk“, an. Das Modell verfügt über 1 Billion Parameter, davon 49 Milliarden aktiv, ist nativ multimodal und wurde von Grund auf auf 3.800 NVIDIA Grace Blackwell GPUs in den europäischen Rechenzentren des Unternehmens trainiert. Die Vorschau-API ist auf Mistral Studio verfügbar; die Gewichte werden vor Ende des Monats veröffentlicht, nach einer Testphase unter realen Bedingungen mit Verantwortlichen für Cybersicherheit, verifizierten Partnern und staatlichen Behörden, die Zugang zu einer Version mit reduzierter Moderation und erweiterten Cyber-Fähigkeiten erhalten.

Mistral positioniert ML4 als nahe an den weltweit besten offenen Modellen und deutlich vor jedem amerikanischen oder europäischen offenen Modell, mit Spitzenresultaten unter offenen Modellen in den Bereichen Cybersicherheit, Finanzen und Recht sowie Ergebnissen, die im visuellen Grounding einige geschlossene Modelle übertreffen.

Im Bereich Cybersicherheit rangiert das Modell unter den Top Fünf des Artificial Analysis Cyber Index und führt die offenen Modelle außerhalb Chinas an. Beim Test zur Reproduktion und anschließenden Behebung von Schwachstellen erzielt es 82 %, den höchsten genannten Wert, sowie 93 % bei Cybench. Der Beitrag erklärt, dass Claude Opus 5.5 und GPT-6 Astra bei diesem Test nahe null punkten, weil sie die Aufgabe verweigern, während die Verteidigung von Software oft damit beginnt, nachzuweisen, dass eine Schwachstelle real ist. Daraus wird gefolgert, dass dies den Wert offener Modelle zeigt, die privat oder On-Premises unter der eigenen Richtlinie der Organisation einsetzbar sind.

Im Bereich agentenbasierter Code erreicht ML4 61,7 % bei DeepSWE v1.1, 59,4 % bei SWE-Atlas-QnA und 28,3 % bei Terminal-Bench 4, was einem kombinierten Index von 49,8 % entspricht, vor DeepSeek V4 Pro 0813 und Qwen3.8 Max. Eine blinde menschliche Bewertung durch Surge AI stuft es auf Platz zwei von fünf ein (3,74), hinter Claude Opus 5 (4,22). Bei agentenbasierten Workflows erzielt es 59,9 % bei AutomationBench und 1.393 Elo bei AA-Briefcase. Im Bereich Wissensarbeit stuft vals.ai es in den Bereichen Finanzen und Recht vor GPT-6 Astra ein, und es übertrifft andere offene Modelle beim juristischen Benchmark von Harvey. Der Abschnitt zur Sicherheit nennt 93,3 % blockierte Angriffe beim B3-Benchmark von Lakera sowie eine höhere Ablehnungsrate für bösartige Cyber-Anfragen als bei den offenen Modellen, mit denen es verglichen wird.

Methodisch beschreibt Mistral eine zusammensetzbare Reinforcement-Learning-Bibliothek, in der Sandboxes, Websuche, APIs und Verifizierer (Reward-Modelle, Tests, Judges) kombiniert werden. Mit 3.000 GPUs erzeugt ein Trainingslauf etwa 33 Milliarden Tokens pro Tag. ML4 ist der erste Schritt der Roadmap, die durch die série D de 3 Md€ finanziert wird, und wird als Basis für spezialisierte Modelle dienen. Die Preisgestaltung liegt bei 1,36 $ pro Million Input-Tokens und 4,18 $ pro Million Output-Tokens.

## GrapheDeConnaissance

- Mistral AI —publie→ Mistral Large 4 (TECHNOLOGIE, 0.98)
- Mistral Large 4 —mesure→ 1 000 milliards de paramètres dont 49 milliards actifs (MESURE, 0.97)
- Mistral Large 4 —utilise→ GPU NVIDIA Grace Blackwell (TECHNOLOGIE, 0.95)
- Mistral AI —recommande→ déployer ML4 en privé ou sur site pour les opérations de sécurité (AFFIRMATION, 0.85)
- Mistral Large 4 —mesure→ 82 % sur reproduction puis correction de vulnérabilité (AA Cyber Index) (MESURE, 0.95)
- Mistral Large 4 —mesure→ 93 % sur Cybench (MESURE, 0.95)
- Mistral Large 4 —surpasse→ Claude Opus 5.5 (TECHNOLOGIE, 0.85)
- Mistral Large 4 —surpasse→ GPT-6 Astra (TECHNOLOGIE, 0.85)
- Mistral Large 4 —surpasse→ DeepSeek-V4-Pro (TECHNOLOGIE, 0.88)
- Claude Opus 5 —surpasse→ Mistral Large 4 (TECHNOLOGIE, 0.9)
- Mistral Large 4 —mesure→ 61,7 % sur DeepSWE v1.1 (MESURE, 0.95)
- Mistral Large 4 —mesure→ 3,74 sur 5 à l'évaluation humaine Surge AI (MESURE, 0.93)
- Mistral Large 4 —mesure→ 93,3 % d'attaques repoussées sur Lakera B3 (MESURE, 0.93)
- Mistral AI —affirme_que→ les refus des modèles fermés bloquent la recherche de vulnérabilités et la réponse à incident (AFFIRMATION, 0.9)
- Mistral Large 4 —utilise→ Mistral Forge (TECHNOLOGIE, 0.9)
- Mistral Large 4 —utilise→ apprentissage par renforcement (CONCEPT, 0.95)
- série D de 3 Md€ —permet→ la feuille de route de développement du modèle (AFFIRMATION, 0.88)
- Mistral Large 4 —permet→ souveraineté de l'IA (CONCEPT, 0.85)

---
Canonical: https://www.thekb.eu/de/fiches/mistral-large-4-le-chonk-2026-10-06/