Mistral heeft Large 4 gepresenteerd, een multimodaal model met 1 biljoen parameters dat 49.000 miljoen actueel activeert bij elke uitvoering. Het bedrijf positioneert dit als hun nieuwe inzet om te concurreren op het gebied van programmeren, agenten, wetenschap, financiën en cybersecurity. Het model is momenteel al in preview beschikbaar via API, en de weegwaarden worden eind oktober gepubliceerd. Deze beslissing maakt het mogelijk om het model buiten de infrastructuur van Mistral te implementeren.
De kern van Mistral Large 4 in 30 seconden
- Large 4 bereikt in totaal 1 biljoen parameters, met 49.000 miljoen die actief worden tijdens elke inferentie.
- Het is van nature multimodaal en ontworpen voor werken met code, beelden, tools en agentstromen.
- Mistral beweert dat het model beter presteert dan andere open-weigh models uit de VS en Europa in geaggregeerde vergelijkingen.
- Het is getraind met 3.800 NVIDIA Grace Blackwell GPU’s in eigen datacenters in Europa.
- De API is al beschikbaar en de weegwaarden worden eind oktober vrijgegeven.
Wat vooral opvalt aan Mistral Large 4 is niet slechts het feit dat het een biljoen parameters bevat. De architectuur activeert 49.000 miljoen tijdens inferentie – een verschil dat Mistral in staat stelt een model met een extreem hoge capaciteit te presenteren, zonder dat elke query door alle 1.000.000 miljoen parameters hoeft te lopen.
Mistral presenteert het als haar grootste en meest capabele model tot nu toe. Het bedrijf stelt dat Large 4 concurreert met de krachtigste open-weigh modellen op de markt en dat het alle vergelijkbare modellen uit de VS en Europa overtreft in geaggregeerde tests.
Het is belangrijk om deze bewering in context te plaatsen: het zijn resultaten die door Mistral zijn gedeeld, en er is nog geen onafhankelijke evaluatie van het volledige model om deze claims te bevestigen. De publicatie van de weegwaarden eind oktober zal onderzoekers en ontwikkelaars in staat stellen om reproduceerbare tests uit te voeren en de prestaties beter te beoordelen.
Een model dat verder wil gaan dan chatbots
Large 4 is ontworpen voor veel meer dan tekstgeneratie. Mistral benadrukt vooral de capaciteiten op het gebied van programmeren, agentenstromen en multimodale begrip.
Op het gebied van programmeren behaalt het model 61,7% op DeepSWE v1.1, 59,4% op SWE-Atlas-QnA en 28,3% op Terminal-Bench 4. De gecombineerde score op de Coding Agent Index bedraagt 49,8%, hoger dan DeepSeek V4 Pro 0813 en Qwen3.8 Max volgens de tests die door het bedrijf zijn gepubliceerd.
Mistral heeft Large 4 ook onderworpen aan een blinde menselijke evaluatie in samenwerking met Surge AI. Professionele beoordelaars hebben de resultaten beoordeeld zonder de identiteit van elk model te kennen. ML4 Preview kreeg 3,74 van 5 punten en was de tweede beste van vijf modellen, slechts achter Claude Opus 5 met 4,22.
Het agentenconcept komt ook terug in AutomationBench, een test met 657 bedrijfsprocessen via tools als Gmail, Google Sheets, Slack en Salesforce. Large 4 behaalt 59,9% op basis van de tests door Mistral.
Daarnaast heeft het model ook lange-termijn werkverrichtingen doorstaan. In AA-Briefcase behaalt het 1.393 Elo, een score die Mistral plaatst boven DeepSeek V4 Pro.
Het verschil met een conventionele chatbot ligt precies hier: Large 4 is bedoeld om een doel te ontvangen, informatie op te zoeken, tools te gebruiken en meerdere stappen te doorlopen tot voltooiing van een taak. Het model kan werken met documenten, spreadsheets en presentaties, naast het direct beantwoorden van een gesprek.
1 biljoen parameters voor tekst, code en beelden
Multimodaliteit is een van de kernaspecten van Large 4. Mistral beweert dat het model vanaf het begin ontworpen is om te werken met beelden, documenten, diagrammen, foto’s en complexe scènes.
Voorbeelden die door het bedrijf worden getoond, omvatten ingenieursplannen, mechanische onderdelen, satellietbeelden en PDF-documenten. De combinatie van visie en agenten maakt het mogelijk om bijvoorbeeld een afbeelding te inspecteren, een specifiek item te lokaliseren, een gebied uit te vergroten en de benodigde informatie te controleren voordat een reactie wordt gegeven.
In visual grounding benadrukt Mistral de resultaten van Dense 200, dat 42% behaalt, tegenover 41% voor GPT-6 Astra in de door het bedrijf gepubliceerde test.
Dit is een van de gebieden waarin Mistral beweert zelfs betere prestaties te leveren dan gesloten modellen. Het resultaat moet echter worden geïnterpreteerd als een specifieke benchmark-vergelijking en niet als een algehele overwinning in alle multimodale capaciteiten.
Ook wetenschappelijke toepassingen krijgen aandacht. Mistral stelt dat Large 4 uitkomt op referentieresultaten binnen de open-weigh modellen in SciCode-Verified, een test die de capaciteit evalueert om wetenschappelijke workflows uit te voeren via code, zoals die gerelateerd aan fysica, mathematiek, materialen wetenschap en biologie.
Als voorbeeld toont het bedrijf het genereren van een volledige Hartree-Fock simulatie, een complexe taak in computational chemistry die meerdere routines combineert.
Cybersecurity: hoge prestaties en minder afhankelijkheid van de leverancier
Mistral besteedt speciale aandacht aan cybersecurity. Large 4 behoort tot de top vijf modellen met de hoogste globale score in de Artificial Analysis Cyber Index, volgens de door het bedrijf gebruikte evaluatie.
In een test waarbij een echte kwetsbaarheid in open-source software wordt gereproduceerd en gecorrigeerd, scoort het 82%. Mistral beweert dat dit de hoogste score is die ooit in zo’n test is geregistreerd. In Cybench behaalt het 93% opgeloste uitdagingen.
Een bijzonderheid is dat sommige gesloten modellen kunnen weigeren bepaalde taken uit te voeren vanwege veiligheidsbeleid. Mistral stelt dat voor defensieve teams het reproduceren van kwetsbaarheden essentieel kan zijn voor verificatie en het ontwikkelen van patches.
Large 4 wordt intern ook benut voor malware-analyse, het prioriteren van kwetsbaarheden en het genereren van detectieregels. Het bedrijf werkt samen met cybersecuritybedrijven, geselecteerde partners en autoriteiten voordat de weegwaarden worden vrijgegeven.
Publicatie zal ook het mogelijk maken om het model onder controle van eigen organisaties uit te voeren. Voor Mistral is dat bijzonder waardevol voor beveiliging: een bedrijf kan het model in haar eigen privé-cloud of lokale infrastructuur houden en eigen toegangsbeleid bepalen zonder volledig afhankelijk te zijn van externe diensten.
Dit onderstreept het belang dat Large 4 uiteindelijk een open-weigh model wordt. Het betekent niet dat alle software of componenten automatisch open zijn, maar wel dat men toegang krijgt tot de weegwaarden voor eigen deployment.
3.800 GPU’s Grace Blackwell en training in Europa
Mistral heeft Large 4 vanaf nul getraind met behulp van 3.800 NVIDIA Grace Blackwell GPU’s in eigen datacenters in Europa. De previewversie van de API wordt eveneens uitgevoerd op deze infrastructuur.
Het bedrijf positioneert deze implementatie als onderdeel van haar strategie voor technologische soevereiniteit. Mistral bevestigt dat het model in meerdere regio’s zal worden aangeboden en dat er een Europese beheerinfrastructuur zal komen, conform Europese wetgeving.
Het trainen omvat ook meertalige data uit meer dan 160 talen, inclusief alle officiële talen van de Europese Unie.
De trainingsinfrastructuur gebruikt reinforcement learning op grote schaal. Mistral legt uit dat haar platform het mogelijk maakt om binnen één uitvoering programmeertaken, wetenschap, beveiliging, feitelijkheid en langdurig gebruik van tools te combineren.
Met een infrastructuur van circa 3.000 GPU’s zegt het bedrijf dat één trainingssessie ongeveer 33 miljard tokens per dag kan genereren, waarvan ongeveer 16 miljard na filtratie bruikbare tokens blijven voor verdere training.
Mistral beweert dat het model nog lang niet aan zijn maximale prestaties zit. Het reinforcement learning wordt voortgezet, en het bedrijf verwacht verdere verbeteringen na uitbreiding van de rekencapaciteit van haar datacenters.
Open-weighs zijn de echte test
De nu beschikbare versie is een preview via API. De publicatie van de weegwaarden staat gepland voor eind oktober, samen met nadere details over architectuur, aanvullende benchmarks en de post-trainingsmethodologie.
Deze stap zal de aard van de evaluatie veranderen. Tot nu toe zijn veel resultaten afkomstig van door Mistral uitgevoerde of gedeelde tests. Zodra de weegwaarden beschikbaar zijn, zal het mogelijk zijn om de werking van Large 4 op verschillende hardware en onder vergelijkbare condities te meten, en prestaties te vergelijken met andere open-weigh modellen.
Mistral wil Large 4 ook gebruiken als fundament voor een nieuwe generatie gespecialiseerde modellen. Het bedrijf richt zich op versies die zijn geoptimaliseerd voor specifieke sectoren en professionele taken, gebaseerd op hetzelfde soort training en personalisatie dat het aanbiedt aan haar klanten.
De kernkeuze is helder: een groot, multimodaal model, gericht op agenten, met open-weighs die onder controle van de klant kunnen draaien. De feitelijke parameteraantallen nemen de aandacht, maar voor ontwikkelaars blijken de 49.000 miljoen actieve parameters, het gedrag in tools, de prestaties in code en de daadwerkelijke implementatiekosten waarschijnlijk belangrijker.
Indien Large 4 een aanzienlijk deel van de aangekondigde prestaties behoudt zodra de weegwaarden beschikbaar zijn, biedt Mistral een bijzonder interessante optie voor bedrijven die geavanceerde modellen willen gebruiken zonder volledig te afhankelijk te zijn van gesloten API’s.
Veelgestelde vragen
Wat is Mistral Large 4?
Het is het nieuwe AI-model van Mistral, met 1 biljoen parameters in totaal en 49.000 miljoen actief tijdens elke uitvoering. Het is multimodaal en gericht op programmeren, agenten, wetenschap, professionele taken en cybersecurity.
Wanneer worden de weegwaarden van Mistral Large 4 beschikbaar?
Mistral heeft aangekondigd dat de weegwaarden eind oktober worden gepubliceerd. Op dit moment kan men al een previewversie via de API testen.
Hoeveel actieve parameters heeft Mistral Large 4?
Het model bevat in totaal 1 biljoen parameters, maar activeert tijdens elke uitvoering 49.000 miljoen parameters.
Waar is Mistral Large 4 getraind?
Mistral bevestigt dat het vanaf nul is getraind in haar eigen Europese datacenters, met 3.800 NVIDIA Grace Blackwell GPU’s.