Mistral veröffentlicht Gewichte von Large 4, seinem Modell mit einer Billion Parametern

29. Oktober 2026, 13:00Quelle: Mistral AI

Mistral AI hat die Gewichte von Mistral Large 4 veröffentlicht, Spitzname Le Chonk, ein nativ multimodales Modell mit einer Billion Parametern. Laut dem Unternehmen führt die verbesserte Version unter den Open-Weight-Modellen bei Coding und defensiver Cybersicherheit und benötigt dabei weniger Tokens.

Das Wichtigste in Kürze

Mistral hat die Gewichte von Mistral Large 4 (Le Chonk) veröffentlicht, einem nativ multimodalen Modell mit einer Billion Parametern.
Im Artificial Analysis Coding Agent Index erreicht es 48 %, gleichauf mit GLM-5.3, bei 47 % weniger Tokens pro Aufgabe.
Der Wert bei Terminal-Bench 4.0 stieg gegenüber der Vorschau um 13 Punkte auf 41 %, bei 30 % weniger Ausgabe-Tokens.
Laut Mistral erzielt es 51 % im Artificial Analysis Cyber Index und lehnt im Schnitt 96,6 % bösartiger Cyberanfragen ab.
Das Modell bietet die Reasoning-Modi Low, Medium und High, wobei High der Standard ist.

Von der öffentlichen Vorschau zu offenen Gewichten

Mistral Large 4 war Anfang des Monats zunächst als öffentliche Vorschau und Flaggschiffmodell des Unternehmens erschienen. Mistral zufolge übertraf die Resonanz die Erwartungen, und man habe das Feedback von Entwicklern und Kunden genutzt, während das Reinforcement Learning weiter skaliert wurde. Das Ergebnis seien deutliche Verbesserungen bei Coding und defensiver Cybersicherheit, deren Zuwächse "keine Anzeichen von Sättigung" zeigten.

Das Modell wurde von Grund auf auf europäischer Infrastruktur trainiert, und Mistral betont die klare Herkunft von den Anfängen bis zur Veröffentlichung. Das Unternehmen versteht das als vertrauenswürdige Grundlage für sogenannte souveräne KI, bei der Organisationen ihre Modelle besitzen, anpassen und kontrollieren. Die neue Version bringt außerdem eine höhere Effizienz beim Schlussfolgern, die Entwicklern nach Angaben von Mistral mehr Leistung bei geringeren Inferenzkosten bietet.

Coding-Ergebnisse und Reasoning-Modi

Mistral berichtet, dass drei weitere Wochen Reinforcement Learning das Modell an die Spitze der Open-Weight-Modelle beim Coding gebracht haben. Mistral Large 4 übernehme die Führung bei FrontierCode und Terminal-Bench. Im privaten Benchmark FrontierCode 2.0 von Cognition, der die End-to-End-Codequalität bewertet und danach fragt, ob ein Repository-Maintainer die Änderung eines Agenten übernehmen würde, erreicht es 19,7 %.

Im Artificial Analysis Coding Agent Index erzielt das Modell 48 % und liegt damit praktisch gleichauf mit dem führenden Open-Weight-Modell GLM-5.3, verbraucht laut Mistral aber im Schnitt 47 % weniger Tokens pro Aufgabe.
Bei Terminal-Bench 4.0 verbesserte es sich gegenüber der öffentlichen Vorschau um 13 Prozentpunkte auf 41 % und senkte zugleich die Ausgabe-Tokens um 30 %.
In den blinden Paarvergleichen von Surge Code bevorzugten die Bewerter es gegenüber GLM-5.3, Kimi K3 und DeepSeek V4.1 Flash. Nur Claude Opus 5.5 landete unter den untersuchten Modellen davor.

Entwickler können nun zwischen drei Reasoning-Modi wählen. Low ist für einfache Aufgaben gedacht und ersetzt den früheren Modus 'None'. Medium eignet sich für alltägliche Aufgaben. High ist der Standard und zielt auf die anspruchsvollsten Anwendungsfälle, die hohe Präzision und gründliches Schlussfolgern erfordern.

Cybersicherheit und Sicherheitsversprechen

Mistral gibt an, seit der Vorschau mit Anbietern von Cybersicherheitslösungen zusammengearbeitet zu haben, um das Modell bei der Reproduktion und Behebung von Schwachstellen zu testen. Im Artificial Analysis Cyber Index erreicht es 51 %. Dieser misst, wie gut ein Modell Schwachstellen in einer Codebasis findet, reproduziert und validiert und sie behebt, ohne bestehende Funktionen zu beeinträchtigen. Das Unternehmen erklärt, das Modell bewältige legitime defensive Aufgaben ohne unnötige Ablehnungen.

Beim Thema Sicherheit sagt Mistral, eingebaute Schutzmechanismen trennten defensive von bösartigen, offensiven Anfragen. Die durchschnittliche Ablehnungsrate bei bösartigen Cyberanfragen liege bei 96,6 %, gemessen an den cyberbezogenen Prompts von JailbreakBench, StrongREJECT und AgentHarm. Das Unternehmen bezeichnet das als den höchsten Wert, den es unter offenen Modellen gemessen hat.

Reaktionen aus der Branche und Einordnung

Mistral zitiert mehrere Sicherheitsorganisationen. Brad Medairy von Booz Allen Hamilton sagte, Tests hätten gezeigt, dass das Modell die Recall-Raten anderer Frontier-Cybermodelle bei der Schwachstellenerkennung erreiche, "mit einer überzeugenden Kostenkurve". James Spiteri von Elastic erklärte, Mistrals offene Modelle würden bereits heute in Elastic Security unterstützt. Laura Heuvinck von der ENISA sagte, die Agentur habe Zugang zum Modell und teste es, um Sicherheitslücken zu identifizieren, Code zu prüfen und defensive Logs zu analysieren. Auch Vertreter von Cisco, Cloudflare und CrowdStrike äußerten sich und hoben Transparenz, Kontrolle und Self-Hosting hervor.

Für Organisationen, die KI auf eigener Infrastruktur betreiben und anpassen müssen, macht die Veröffentlichung der Gewichte Mistral Large 4 zu einer Option für Coding-Agenten und defensive Sicherheitsarbeit. Alle Benchmark-Zahlen stammen aus Mistrals eigener Ankündigung und den genannten Prüfern.