Mistral heeft de gewichten van Mistral Large 4, intern en informeel “Le Chonk” genoemd, vrijgegeven. Het model telt ongeveer 1,05 biljoen parameters, waarvan per token slechts een fractie actief is, en kan door bedrijven op eigen infrastructuur worden gedraaid. Vooral voor cybersecurity, softwareontwikkeling en gevoelige bedrijfsdata is dat relevant. Mistral positioneert het model nadrukkelijk als Europees alternatief voor grote Amerikaanse en Chinese AI-platformen, met meer controle over data, deployment en aanpassingen.
Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.
Mistral Large 4 open-weight is hier
Mistral lanceerde Mistral Large 4 begin oktober eerst als publieke preview. Op 29 oktober volgde de open-weight release, waardoor organisaties het model nu kunnen downloaden en zelf hosten via onder meer vLLM en SGLang. De officiële gewichten zijn ook beschikbaar via Hugging Face.
Technisch gaat het om een Mixture-of-Experts-model met ongeveer 1,05 biljoen totale parameters en 52 miljard actieve parameters volgens Mistrals eigen documentatie. Het model ondersteunt multimodale input, een contextvenster tot één miljoen tokens en is ontworpen voor reasoning, coding, agents en documentanalyse.
Cybersecurity is expliciet een doelmarkt
Opvallend is hoe sterk Mistral de release aan cybersecurity koppelt. Het bedrijf stelt dat Mistral Large 4 bij uitstek geschikt is voor taken zoals kwetsbaarheidsanalyse, malwareonderzoek, vulnerability prioritization en het genereren van detectieregels. In samenwerking met geselecteerde securitypartners test Mistral bovendien gespecialiseerde varianten voor penetration testing en red-teaming in gecontroleerde omgevingen.
Voor organisaties met gevoelige infrastructuur is vooral zelfhosting relevant. Een securityteam hoeft zijn broncode, logs of incidentdata dan niet noodzakelijk naar een externe API te sturen. Het model kan op eigen hardware of in een gecontroleerde private omgeving draaien.
Dat sluit aan bij Mistrals bredere strategie rond soevereine AI: organisaties moeten geavanceerde modellen kunnen gebruiken zonder hun data, infrastructuur of operationele afhankelijkheden volledig uit handen te geven.
Minder tokens dan GLM-5.3
Mistral maakt daarnaast een opvallende efficiëntieclaim. Op de Artificial Analysis Coding Agent Index scoort Mistral Large 4 volgens het bedrijf ongeveer gelijk aan het Chinese GLM-5.3, terwijl het gemiddeld 47 procent minder tokens per taak gebruikt. Dat kan belangrijk zijn voor agentische toepassingen, omdat lange codingtrajecten anders snel veel inferencekosten veroorzaken.
Die claim moet wel correct worden gelezen.
Het gaat niet om 47 procent lagere totale bedrijfskosten in elke toepassing. Het betreft tokenverbruik binnen een specifieke codingbenchmark. Werkelijke kosten hangen ook af van hardware, servingsoftware, latency, batchgebruik en de gekozen reasoningmodus.
Mistral biedt het model via zijn eigen API momenteel aan vanaf 0,70 dollar per miljoen inputtokens en 2,10 dollar per miljoen outputtokens.
Open-weight, maar niet zonder voorwaarden
“Open” betekent hier bovendien niet volledig onbeperkt.
Mistral Large 4 valt onder de Mistral Ecosystem Open-Weight License, een aangepaste MIT-licentie. Bedrijven mogen het model downloaden, aanpassen, fine-tunen en commercieel gebruiken. Wie er zelf een commerciële Model-as-a-Service-dienst mee wil aanbieden, heeft echter een afzonderlijke commerciële licentie van Mistral nodig.
Voor de meeste bedrijven die het model intern gebruiken, verandert dat weinig. Voor cloudproviders en andere partijen die het model als dienst willen doorverkopen, is die beperking wel relevant.
Meer keuze voor gevoelige AI-workloads
De belangrijkste betekenis van deze release zit daarom niet alleen in het aantal parameters.
Mistral geeft Europese bedrijven en overheden een extra optie voor zware AI-workloads waarbij controle over data, infrastructuur en modelgedrag belangrijk is. Voor cybersecurity, financiële instellingen, overheden en andere gereguleerde sectoren kan dat doorslaggevend zijn.
De strijd rond frontier-AI gaat steeds minder over welk model de beste benchmarkscore haalt. Wie een model zelf kan draaien, aanpassen en onder eigen veiligheidsbeleid kan beheren, krijgt een ander soort voordeel: operationele en digitale autonomie.