Die Wartezeit ist vorbei: Mistral hat am 29. Oktober die Gewichte von Mistral Large 4 veröffentlicht, wie heise online berichtet. Das Modell war Anfang Oktober als Preview gestartet, damals nur über Mistral Studio und die API. Wir berichteten über „Le Chonk“. Jetzt kannst du das Modell selbst herunterladen.
Die Gewichte sollten ab 19 Uhr auf Hugging Face bereitstehen. Das verlinkte Repository heißt „Mistral-Large-4-1T-A52B“. Der Name deutet auf rund eine Billion Parameter hin, von denen etwa 52 Milliarden pro Token aktiv sind. Heise nennt diese Zahlen im Artikel ausdrücklich nicht, es ist eine Ableitung aus dem Namen.
WAS IST NEU GEGENÜBER DER PREVIEW?
Mistral hat das Modell drei Wochen lang mit Kunden und Cybersecurity-Partnern getestet. Danach folgte weiteres Training per Reinforcement Learning. Heraus kamen laut Bericht diese Änderungen:
- Neue Reasoning-Stufen: Zusätzlich zur bisherigen Stufe „High“ gibt es jetzt „Low“ und „Medium“.
- Weniger Tokens: Laut Mistral-Forscher Pierre Stock braucht das Modell etwa 50 Prozent weniger Tokens als die Preview bei gleicher Leistung.
- Besseres Coding: Im Test Terminal-Bench 4.0 steigt die Erfolgsquote nach Angaben von Mistral von 28 auf 41 Prozent.
WIE GUT IST ES IM VERGLEICH?
Hier lohnt der nüchterne Blick. Die Benchmarks stammen größtenteils von Mistral selbst, und heise konnte sie nicht unabhängig prüfen.
- Terminal-Bench 4.0: Laut Artificial Analysis liegt GLM-5.3 bei 42 Prozent, Gemini 4 Carbon bei 65 Prozent und Kimi K3.1 Pro bei 67 Prozent. Large 4 mit 41 Prozent liegt damit knapp unter GLM-5.3 und deutlich hinter den beiden anderen.
- Coding Agent Index: Mistral nennt Large 4 das beste offene Modell für agentisches Coding im Index von Artificial Analysis. Es brauche 47 Prozent weniger Tokens pro Aufgabe als GLM-5.3 bei vergleichbarer Leistung. Laut heise waren diese Ergebnisse zum Zeitpunkt der Recherche nicht öffentlich einsehbar.
- CyberGym-E2E: Mistral meldet 79 Prozent, gleichauf mit Xiaomis MiMo-V2.6-Pro. Die Zahl ließ sich nicht unabhängig prüfen. Der aktuelle Spitzenreiter laut Artificial Analysis ist Kimi K3.1 Pro mit 95 Prozent.
Unterm Strich: Mistral setzt auf Effizienz, nicht auf den Spitzenplatz. Weniger Tokens bedeuten bei Agenten niedrigere Kosten und kürzere Wartezeiten, und das zählt im Alltag oft mehr als ein paar Prozentpunkte im Benchmark.
WER KANN ES NUTZEN?
Neben dem Download auf Hugging Face steht das Modell über Mistrals API bereit. Ausgewählte Nutzer des Coding-Assistenten Vibe haben ebenfalls Zugriff. Ein Modell dieser Größe läuft allerdings nicht auf dem Heimserver nebenbei. Eine Billion Parameter erfordern ein ausgewachsenes GPU-Cluster, auch wenn pro Token nur ein Teil aktiv ist. Konkrete Hardware-Anforderungen nennt der Artikel nicht, sie stehen vermutlich in der Modellkarte.
Für Homelab-Fans heißt das: Die Gewichte sind eher etwas für Firmen, Forschung und Anbieter, die eigene Inferenz hosten. Wer lokal experimentiert, wartet auf kleinere Varianten oder quantisierte Builds der Community. Ob und wann es sie gibt, ist offen.
WAS NOCH OFFEN IST
- Lizenz: Der heise-Artikel nennt keine Lizenzbedingungen. Frühere Berichte sprachen von einer eigenen Lizenz statt Apache 2.0, das haben wir hier nicht verifiziert. Lies die Modellkarte, bevor du das Modell kommerziell einsetzt.
- Parameterzahl und Hardware: Nicht im Artikel, nur aus dem Repository-Namen abzuleiten.
- Unabhängige Tests: Die Benchmarks stammen von Mistral. Verlässliche Vergleiche folgen erfahrungsgemäß in den kommenden Tagen.
FAZIT: Offen, aber nicht für jeden Rechner
Mistral liefert, was es versprochen hatte: offene Gewichte nach der Preview-Phase, mit besserem Coding und sparsamerem Tokenverbrauch. Für dich zu Hause ändert sich erstmal wenig, für Firmen mit eigener Infrastruktur und Datenschutzanforderungen ist es eine echte europäische Option. Entscheidend wird die Lizenz.