Die Ankündigung klang wie ein Versprechen, das nun eingelöst wurde. Mistral AI hat die Modellgewichte seines Flaggschiffs Mistral Large 4 veröffentlicht. Nur drei Wochen nach der öffentlichen Vorschau im Oktober 2026 stehen die Gewichte des 1-Billionen-Parameter-Modells, das intern liebevoll „Le Chonk“ genannt wird, auf Hugging Face zum Download bereit.
Für Entwickler, Unternehmen und die gesamte Open-Weight-Community ist das ein bedeutender Schritt, denn das bislang größte Modell des französischen KI-Labors ist damit vollständig selbst hostbar und nicht länger nur über eine API zugänglich.
Ein Gigant mit sparsamer Architektur
Hinter dem sperrigen Namen verbirgt sich ein nativ multimodales Mixture-of-Experts-Modell (MoE). Mit insgesamt rund einer Billion Parametern gehört Mistral Large 4 zu den größten offenen Modellen überhaupt.
Entscheidend für die Praxis ist jedoch die Architektur: Pro Token werden nur etwa 49 bis 52 Milliarden Parameter aktiviert. Dieser sparsame Ansatz sorgt dafür, dass die Inferenzkosten trotz der enormen Modellgröße beherrschbar bleiben. Das Kontextfenster umfasst eine Million Token und das Modell verarbeitet sowohl Text- als auch Bildeingaben, gibt jedoch ausschließlich Text und Code aus.
Mistral setzt bei Large 4 auf eine granulare MoE-Architektur mit spärlicher Attention und einem Pixtral-Vision-Encoder. Für jede Anfrage wählt das Modell eine kleine Gruppe von Experten aus und bestimmt mithilfe eines Attention-Indexers, welche früheren Token-Positionen relevant sind. Diese doppelte Sparsamkeit – bei den Feed-Forward-Netzen und im Kontext – ist der Schlüssel zur Effizienz des Modells.
Drei Denkmodi für die richtige Balance
Eine der spürbarsten Neuerungen gegenüber der Preview-Version sind die konfigurierbaren Reasoning-Stufen. Entwickler können pro Anfrage zwischen den Modi Low, Medium und High wählen. Der High-Modus ist der Standardmodus und für komplexe, präzisionskritische Aufgaben gedacht, der Medium-Modus eignet sich für alltägliche Aufgaben und der Low-Modus beantwortet einfache Anfragen schnell und kostengünstig.
Mistral reagiert damit auf Feedback aus der frühen Access-Phase: Viele Unternehmen wünschten sich mehr Kontrolle darüber, wie lange das Modell „nachdenkt“, bevor es antwortet. Der High-Modus selbst wurde zudem effizienter und benötigt bei gleicher Leistungsfähigkeit rund 50 Prozent weniger Token als die Vorabversion.
Coding: Von 28 auf 41 Prozent – und dabei sparsamer
Die deutlichsten Fortschritte zeigen sich im Bereich des agentischen Programmierens. Auf dem Terminal-Bench 4.0, einem anspruchsvollen Test für Coding-Agenten in der Kommandozeile, sprang die Erfolgsquote von 28 Prozent in der Preview-Phase auf nunmehr 41 Prozent.
Damit positioniert sich Mistral Large 4 an der Spitze der offenen Modelle – knapp vor GLM-5.3 (40 Prozent) und deutlich vor DeepSeek V4.1 Flash (31 Prozent). Auf dem Artificial Analysis Coding Agent Index erzielt Large 4 einen Wert von 48 Prozent und liegt damit praktisch gleichauf mit dem führenden offenen Modell GLM-5.3 (49 Prozent).
Allerdings werden 47 Prozent weniger Token pro Aufgabe verbraucht. Dieser Effizienzvorteil summiert sich insbesondere bei langlaufenden Coding-Agenten, die über mehrere Stunden hinweg autonom arbeiten.
Bemerkenswert ist auch die menschliche Präferenz: In blinden Paarvergleichen von Surge Code wurde Mistral Large 4 gegenüber den führenden offenen Modellen GLM-5.3, Kimi K3 und DeepSeek V4.1 Flash bevorzugt. Nur das geschlossene Claude Opus 5.5 schnitt in dieser Evaluation noch besser ab.
Cybersicherheit als strategisches Standbein
Mistral positioniert Large 4 ausdrücklich als Werkzeug für Verteidiger. Im CyberGym-E2E-Benchmark, der prüft, ob ein Modell echte Speichersicherheitslücken in Open-Source-C- und -C++-Projekten finden, reproduzieren und patchen kann, erreicht das Modell 79 Prozent und liegt damit gleichauf mit Xiaomis MiMo-V2.6-Pro.
Auf dem Artificial Analysis Cyber Index, der die Fähigkeit bewertet, reale Schwachstellen in offener Software zu reproduzieren und zu beheben, erreicht Large 4 82 Prozent.
Der entscheidende Vorteil liegt hier in der Offenheit: Geschlossene Frontier-Modelle verweigern bei sicherheitsrelevanter Arbeit häufig die Kooperation, da ihre Filter legitime Vulnerability-Research mit Angriffen verwechseln. Wer auf eine API angewiesen ist, kann zudem mitten in einem Vorfall den Zugang verlieren.
Offene Gewichte geben Verteidigungsteams die volle Kontrolle über Nutzungsrichtlinien und Deployment. Mistral-CEO Arthur Mensch unterstreicht dieses Argument mit einem drastischen Bild: KI werde wie Strom sein und niemand solle von einem Anbieter abhängig sein, der den Zugang „von einem Tag auf den anderen“ kappen könne.
Lizenz, Quantisierung und Verfügbarkeit
Die Gewichte stehen unter der Mistral Ecosystem Open-Weight License, einer modifizierten MIT-Lizenz. Sie erlaubt sowohl kommerzielle als auch nicht-kommerzielle Nutzung mit einer wichtigen Einschränkung: Wer das Modell als „Model-as-a-Service“ anbietet, benötigt eine separate kommerzielle Lizenz von Mistral.
Für den praktischen Einsatz gibt es mehrere Varianten. Neben den offiziellen FP8-Checkpoints wurde eine NVFP4-quantisierte Version veröffentlicht, die auf vier Nvidia B200- oder B300-GPUs läuft und den Speicherbedarf deutlich reduziert. Auch GGUF-Varianten für llama.cpp und Unsloth sind verfügbar. Das Modell lässt sich mit vLLM servieren, für optimale Leistung empfiehlt Mistral jedoch weiterhin die eigene API.
Europäische Souveränität als Alleinstellungsmerkmal
Mistral betont die europäische Herkunft von „Large 4”: Das Modell wurde von Grund auf auf 3.800 Nvidia-Grace-Blackwell-GPUs in eigenen Rechenzentren in Europa trainiert. Die Trainingsdaten umfassen über 160 Sprachen, darunter alle Amtssprachen der Europäischen Union.
In einer Zeit, in der die Abhängigkeit von außereuropäischen KI-Anbietern zunehmend kritisch diskutiert wird, ist dies ein strategisches Argument. Mistral-CEO Mensch wies darauf hin, dass sein Unternehmen innerhalb von drei Jahren rund 6 Milliarden US-Dollar aufgebracht habe, während Wettbewerber „Hunderte Milliarden“ für vergleichbare Fähigkeiten eingesetzt hätten.
Was noch kommt
Die Veröffentlichung der Gewichte ist kein Endpunkt. Mistral kündigte an, in den kommenden Monaten kleinere, destillierte Versionen von „Large 4” zu veröffentlichen, darunter eine Variante, die auf einem Laptop laufen soll.
Konkrete Termine nannte das Unternehmen allerdings noch nicht. Auch die API-Preise für „Large 4” wurden bislang nicht offiziell veröffentlicht. Mistral argumentiert, dass reine Token-Preise irreführend seien, da ein Modell pro Aufgabe deutlich weniger Token benötigt.
Mit Mistral Large 4 ist dem Pariser Labor ein bemerkenswerter Schritt gelungen. Es handelt sich um ein Modell, das in den Bereichen Coding und Cybersicherheit zur Weltspitze gehört, dessen Gewichte frei verfügbar sind und das zugleich die europäische Antwort auf die Dominanz chinesischer und US-amerikanischer Open-Weight-Modelle darstellt.
Die Frage ist nicht mehr, ob offene Modelle mithalten können, sondern wie schnell die Community auf dieser Basis eigene, spezialisierte Systeme entwickelt.
