Mistral Large 4 ist das neue Spitzenmodell des französischen Anbieters Mistral AI und soll eine europäische Alternative zu grossen Modellen aus den USA und China bieten. Das betrifft dich vor allem, wenn du Künstliche Intelligenz (KI) über eine Programmierschnittstelle (API) in eigene Anwendungen einbinden oder das Modell später auf eigener Infrastruktur betreiben möchtest. Vorerst ist allerdings nur eine öffentliche Vorschau über Mistrals API verfügbar; die angekündigten offenen Modellgewichte fehlen noch.
Was ist Mistral Large 4?
Mistral Large 4, kurz ML4 und intern «Le Chonk» genannt, ist ein grosses Sprachmodell (Large Language Model, LLM), das Texte verarbeitet und erzeugt. Es ist ausserdem multimodal, kann also neben Text auch Bilder als Eingabe auswerten. Laut den veröffentlichten Angaben besitzt es rund 1,05 Billionen Parameter, wobei Parameter die während des Trainings gelernten Modellwerte sind.
Pro verarbeitetem Token, einem kleinen Textbaustein, sind davon 49 Milliarden Parameter aktiv. Möglich wird das durch eine Mixture-of-Experts-Architektur (MoE), bei der jeweils nur passende Teile des Modells für eine Aufgabe eingesetzt werden. Das reduziert den Rechenaufwand während der Nutzung, ändert aber nichts daran, dass für einen lokalen Betrieb das vollständige Modell im Speicher Platz finden muss.
Nach den von MarkTechPost zusammengetragenen Modellangaben umfasst das Kontextfenster eine Million Token. Ein Kontextfenster bezeichnet die Text- und Bildmenge, die das Modell in einer Anfrage berücksichtigen kann. Das Training erfolgte laut Anbieter von Grund auf mit 3’800 Nvidia Grace Blackwell Grafikprozessoren in eigenen europäischen Rechenzentren und umfasste mehr als 160 Sprachen, darunter alle offiziellen Sprachen der Europäischen Union.
Über Mistrals API stehen zwei Denkstufen zur Wahl: «none» und «high». Diese regeln, wie viel zusätzliche Verarbeitung das Modell für komplexe Aufgaben einsetzt. Die Vorschau kostet laut MarkTechPost 1,36 US-Dollar pro Million Eingabe-Token und 4,18 US-Dollar pro Million Ausgabe-Token; Angaben zu Abonnements oder Schweizer Preisen enthalten die Quellen nicht.
Wie gut ist das Modell wirklich?
Im Intelligence Index von Artificial Analysis erreicht ML4 38 Punkte. Der Vorgänger Mistral Large 3 kam auf 9 Punkte, Mistral Medium 3.5 auf 14 Punkte. Das ist ein grosser Sprung innerhalb der Mistral-Familie, doch die Einordnung von The Decoder sieht weiterhin einen klaren Abstand zu geschlossenen Spitzenmodellen wie Claude Opus 5.5.
Simon Willison ordnet ML4 mit demselben Indexwert knapp hinter DeepSeek 4.1 Flash ein und beschreibt Mistral damit als wieder konkurrenzfähig, aber ungefähr sechs Monate hinter der Modellspitze. Seine Einschätzung widerspricht nicht direkt Mistrals Anspruch, das beste offene Modell aus Europa und den USA anzubieten: «bestes offenes Modell» und «bestes Modell insgesamt» sind zwei verschiedene Kategorien. Der Vergleich bleibt vorläufig, weil die Gewichte noch nicht veröffentlicht sind und weitere Benchmark-Ergebnisse ausstehen.
Mistral hebt besonders Programmierung, IT-Sicherheit, Finanzen, Fertigung und Chipdesign hervor. Bei Cybench meldet der Anbieter 93 Prozent, bei CyberGym-E2E 82 Prozent. Diese Ergebnisse sind nicht vollständig unabhängig geprüft; zudem sollen manche geschlossenen Modelle bei Sicherheitstests nahezu null Punkte erreichen, weil ihre Schutzfilter bestimmte Aufgaben ablehnen und nicht zwingend, weil ihnen die Fähigkeit fehlt.
Für den Alltag bedeutet das: Ein Sicherheitsteam könnte ML4 verwenden, um eine bekannte Software-Schwachstelle zu reproduzieren und anschliessend eine Korrektur zu prüfen. Ein Finanzunternehmen könnte lange Dokumente und dazugehörige Diagramme gemeinsam analysieren. Beide Beispiele entsprechen den von Mistral genannten Einsatzfeldern, sagen aber noch nichts über Zuverlässigkeit, Fehlerquote oder Eignung für produktive Entscheidungen aus.
Auch anschauliche Einzeltests haben Grenzen. Willison liess ML4 und konkurrierende Modelle etwa eine skalierbare Vektorgrafik eines Gürteltiermotivs erzeugen, um die Bild- und Codeausgabe zu vergleichen. Solche Tests können sichtbare Unterschiede aufdecken, sind aber kein Ersatz für Aufgaben aus deinem eigenen Arbeitsalltag. Ein skurriles Gürteltier ist schliesslich selten Bestandteil einer Beschaffungsrichtlinie.
Pro und Kontra von Mistral Large 4
Pro:
- Europäische Infrastruktur – Das Modell wurde laut Anbieter auf Mistrals eigener Rechenleistung in europäischen Rechenzentren trainiert.
- Geplante offene Gewichte – Die angekündigte Veröffentlichung könnte eigene Installationen, Prüfungen und Anpassungen ermöglichen.
- Text und Bilder – Die native Bildverarbeitung erweitert den Einsatz auf Dokumente, Diagramme und visuelle Inhalte.
- Deutlicher Leistungssprung – Der unabhängige Intelligence Index steigt gegenüber Mistral Large 3 von 9 auf 38 Punkte.
Kontra:
- Noch nicht offen verfügbar – Aktuell führt nur der API-Zugang über einen geschützten Endpunkt zum Modell; Selbstbetrieb ist noch nicht möglich.
- Hoher Hardwarebedarf – Trotz nur 49 Milliarden aktiver Parameter muss das vollständige Modell mit rund 1,05 Billionen Parametern gespeichert werden.
- Abstand zur Spitze – Unabhängige Einordnungen sehen ML4 weiterhin hinter führenden geschlossenen Modellen.
- Offene Sicherheitsfrage – Fähigkeiten zur Analyse von Schwachstellen können der Verteidigung dienen, lassen sich aber auch missbrauchen.
Gerade der Begriff «offen» braucht Zurückhaltung. TechCrunch berichtet von einer Freigabe nach Sicherheitstests, die etwa drei Wochen nach der Vorschau vorgesehen sei. Mistral wolle in der Zwischenzeit mit vertrauenswürdigen Partnern und Behörden daran arbeiten, defensive Anwendungen zu ermöglichen und böswilligen Einsatz zu begrenzen.
Damit ist ML4 zum Start ein angekündigtes Open-Weight-Modell, also ein Modell mit künftig herunterladbaren Gewichten, aber noch kein praktisch selbst betreibbares Angebot. Die Quellen nennen zudem keine Lizenzbedingungen. Ohne diese lässt sich nicht abschliessend beurteilen, welche kommerziellen Nutzungen, Veränderungen oder Weitergaben erlaubt sein werden.
Wie praktikabel sind API und eigener Betrieb?
Für Einsteiger ist die API der realistische erste Zugang. Mistral Studio stellt die Vorschau laut The Decoder für alle bereit, sodass du typische Aufgaben mit nicht sensiblen Beispieldaten prüfen kannst: etwa eine lange Richtlinie zusammenfassen, Informationen aus einem eingescannten Dokument herausziehen oder Text und Diagramm gemeinsam auswerten. Dabei solltest du Qualität, Antwortdauer und Token-Verbrauch an deinen tatsächlichen Aufgaben messen, statt dich allein auf Ranglisten zu verlassen.
Die Einbindung in vorhandene Werkzeuge beginnt bereits. Die Erweiterung llm-mistral in Version 0.16 unterstützt Mistral Large 4 und dessen Denkmodus über die API. Das ist ein konkretes Zeichen dafür, dass externe Werkzeuge auf das Modell reagieren, richtet sich aber eher an fortgeschrittene und technisch betreute Teams als an Personen, die nur eine fertige Chat-Oberfläche suchen.
Fortgeschrittene Anwender können beide Denkstufen mit einem festen Satz eigener Testaufgaben vergleichen. Sinnvoll sind dafür beispielsweise interne Dokumentanalysen mit bekannten Sollantworten oder Bild-Text-Aufgaben, deren Ergebnisse sich fachlich kontrollieren lassen. Höhere Denkstufen sind nicht automatisch besser: In Willisons Pelikan-Test wirkte die «high»-Ausgabe überzeugender, benötigte mit 2’717 Ausgabe-Token aber sogar weniger als die Stufe «none» mit 3’275 Token.
Der eigene Betrieb bleibt vorerst Theorie. Mistral hat die Veröffentlichung der Gewichte für Ende Oktober angekündigt, doch zum Zeitpunkt der Berichte waren weder die Gewichte noch vollständige Architekturangaben verfügbar. Selbst nach einer Freigabe dürfte die Modellgrösse den Betrieb auf gewöhnlichen Bürorechnern ausschliessen; die Quellen nennen jedoch keine konkrete Mindesthardware, weshalb sich seriöse Kosten noch nicht beziffern lassen.
Was bedeutet das für europäische und Schweizer Nutzer?
Der europäische Ursprung unterscheidet ML4 organisatorisch von vielen grossen US- und China-Modellen. Mistral trainierte es nach eigenen Angaben in europäischen Rechenzentren auf eigener Infrastruktur. Das kann für Unternehmen und öffentliche Institutionen relevant sein, die Anbieterstandort, Kontrollmöglichkeiten und technische Abhängigkeiten in ihre Beschaffung einbeziehen.
Europäisch trainiert bedeutet allerdings nicht automatisch, dass jede API-Anfrage ausschliesslich in der Europäischen Union verarbeitet wird oder alle Schweizer Datenschutzanforderungen erfüllt sind. Die gelieferten Quellen nennen weder konkrete Speicherorte für API-Daten noch Aufbewahrungsfristen, Vertragsbedingungen oder eine besondere Verfügbarkeit für die Schweiz. Solche Punkte müssen vor dem Einsatz mit vertraulichen Kunden-, Personal- oder Gesundheitsdaten separat geklärt werden.
Sprachlich ist die Ausgangslage interessant: Das Training umfasste laut Anbieter mehr als 160 Sprachen und alle offiziellen EU-Sprachen. Ob Schweizer Hochdeutsch, Französisch und Italienisch im Berufsalltag gleich zuverlässig funktionieren, geht aus den Quellen nicht hervor. Für Schulen, Verwaltungen oder mehrsprachige Unternehmen in der Schweiz wären deshalb Tests mit eigenen Dokumenten aussagekräftiger als ein allgemeiner mehrsprachiger Benchmark.
Die wirtschaftliche Grössenordnung bleibt ebenfalls ungleich verteilt. t3n beziffert Mistrals Unternehmenswert nach einer Series-D-Finanzierung auf mehr als 21 Milliarden Euro, während dort für OpenAI 852 Milliarden US-Dollar und für Anthropic 965 Milliarden US-Dollar genannt werden. ML4 zeigt damit, dass ein europäischer Anbieter technisch aufholen kann, ohne die finanziellen Dimensionen der grössten US-Konzerne zu erreichen.
Mistral Large 4 ist eine ernst zu nehmende europäische Alternative für API-Tests, mehrsprachige Dokumentarbeit sowie spezialisierte Aufgaben in IT-Sicherheit und Finanzen. Sein Leistungssprung ist messbar, aber die Behauptungen zur Spitzenposition gelten nur für bestimmte Vergleichsgruppen und teilweise noch auf Basis von Anbieterwerten. Ob das Modell auch beim Selbstbetrieb überzeugt, entscheidet sich erst mit den tatsächlichen Gewichten, Lizenzbedingungen und Sicherheitsauflagen; der mögliche Missbrauch seiner Cyberfähigkeiten bleibt dabei das zentrale offene Risiko.
Quellen
- Introducing Mistral Large 4: Le chonk – Simon Willison’s Weblog, 2026-10-06
- llm-mistral 0.16 – Simon Willison’s Weblog, 2026-10-06
- Mistral Large 4 – Simon Willison’s Weblog, 2026-10-06
- Mistral Large 4: Europas KI-Hoffnungsträger meldet sich mit neuem Spitzenmodell zurück – t3n, 2026-10-06
- Mistral AI Releases Mistral Large 4 (Le Chonk): A 1.05T Parameter Multimodal MoE Model – MarkTechPost, 2026-10-06
- Mistral’s new 1T model aims to leapfrog closed and open rivals – TechCrunch, 2026-10-06
- Mistral Large 4 soll das stärkste offene KI-Modell aus Europa und den USA sein – The Decoder, 2026-10-06
Bild: panumas nikhomkhai via Pexels