Das Fazit vorab:Mistral Large 4 ist das Flaggschiffmodell, das Mistral am 6. Oktober 2026 als öffentliche Preview veröffentlicht hat. Der API-Modellname lautet mistral-large-4, der offizielle Preis pro Million Tokens liegt bei $1.36 für Input, $0.14 für gecachten Input und $4.18 für Output, der Kontext beträgt 1M.
Stärken und Schwächen sind deutlich. Offizielle wie externe Daten zeigen, dass es beiCybersicherheit, Finanzen und Dokumentenverständnisstark ist. Im Intelligence Index von Artificial Analysis erreicht es aber nur 38,es denkt viel und gibt die Ausgabe eher langsam aus, und in den Coding-Tests mehrerer Entwickler liegt es ebenfalls hinter Modellen wie Qwen3.8 Max, Kimi K3 und DeepSeek V4.1 Flash.
Die Zahlen in diesem Artikel gelten Stand 2026-10-22 und stützen sich auf die offiziellen Mistral-Quellen: Release-Blog,Modelldokumentation,PreisseiteundChangelog, dazu Artificial Analysis,OpenRouter und weitere Seiten von Drittanbietern. Benchmark-Werte ändern sich, maßgeblich ist die jeweilige Originalseite.
Was ist Mistral Large 4?
Mistrals offizielle Angaben:
- Am 6. Oktober 2026 als Public Preview veröffentlicht, Spitzname Le Chonk, bisher Mistrals größtes und stärkstes Modell
- Laut Dokumentation:Mixture-of-Experts-Architektur (MoE), 1.05T Gesamtparameter, 52B aktive Parameter, dazu ein Vision-Encoder mit 1.6B Parametern, Bildeingabe wird nativ unterstützt
- Ein Modell deckt Instruction Following, Reasoning und Agent-Aufgaben ab, die Denktiefe wird über den
reasoning_effort-Parameter gesteuert - Von Grund auf trainiert auf 3,800 NVIDIA Grace Blackwell in Mistrals eigenen europäischen Rechenzentren, die Trainingsdaten umfassen mehr als 160 Sprachen
- Offizieller Schwerpunkt: Cybersicherheit, Coding-Agents, Fachaufgaben wie Finanzen und Recht, Visual Grounding
- Die Gewichte sollen Ende Oktober freigegeben werden. Stand 2026-10-22 findet sich auf Mistrals Hugging-Face-Seite noch kein Large 4, aktuell ist das Modell nur per API nutzbar
Die Angaben zur Parameterzahl sind nicht ganz einheitlich: Die Dokumentation nennt 1.05T Gesamtparameter / 52B aktiv, der Release-Blog schreibt „1 trillion / 52 billion active“, der offizielle Mistral-Post auf X nennt „49B active“. Dieser Artikel folgt der Dokumentation.
Offizielle Preise
Mistral-Preisseite, Abrechnung pro Million Tokens, in US-Dollar:
| mistral-large-4 | Preis |
|---|---|
| Input | $1.36 |
| Gecachter Input | $0.14 |
| Output | $4.18 |
Ein paar Hinweise:
- Das offizielle Changelog nennt50 % Rabatt in den ersten zwei Wochen(ab 6. Oktober). Auf manchen Aggregator-Seiten steht noch der Rabattpreis $0.68 / $2.09, maßgeblich ist jetzt der Preis auf der offiziellen Preisseite: $1.36 / $4.18
- Gecachter Input kostet etwa ein Zehntel des regulären Preises, das spart spürbar bei langen System-Prompts oder wenn immer wieder dieselben Dokumente gelesen werden
- Die Preisseite bietet außerdem Euro-Preise sowie die Stufen Batch und Priority, Details finden Sie auf der offiziellen Preisseite
- Im Vergleich zu Mistrals anderen Modellen: Mistral Large 3 kostet $0.5 / $1.5, Mistral Medium 3.5 kostet $1.5 / $7.5. Der Output-Preis von Large 4 liegt sogar unter dem von Medium 3.5
Der Einzelpreis wirkt niedrig, aber das Modelldenkt sehr viel. Die tatsächlichen Kosten hängen daher vom Verbrauch an Output-Tokens ab, mehr dazu im Testabschnitt unten.
Sobald das Modell bei AI Code With verfügbar ist, ergänzen wir hier unseren Preis.
Kontext und Fähigkeiten
| Punkt | Beschreibung |
|---|---|
| Modellname | mistral-large-4(Alias in der Dokumentation: mistral-large-4-0) |
| Base URL | https://api.mistral.ai/v1 |
| Kontext | 1M (OpenRouter gibt 1,048,576 Tokens an) |
| Maximale Ausgabe | 262,144 Tokens (Daten von OpenRouter und models.dev, in der offiziellen Dokumentation nicht separat genannt) |
| Input | Text, Bilder |
| Output | Text |
| Reasoning-Steuerung | reasoning_effort:high liefert den vollständigen Denkinhalt zurück,none denkt nur wenig und gibt keinen Denkinhalt zurück |
| API-Funktionen | Strukturierte Ausgabe, Function Calling, Dokumenten-Q&A, Prefix, Batch, Agents und Conversations, integrierte Tools |
| Gewichte | Freigabe für Ende Oktober geplant, aktuell nur per API |
Die Angaben zum Kontext sind nicht ganz einheitlich: Mistral-Dokumentation und OpenRouter nennen 1M, die Seite von Artificial Analysis nennt 524k, auch Vercel, opencode und andere Kanäle geben 524,288 an. Wenn Sie mehr als 500.000 Tokens an Inhalt einspeisen wollen, prüfen Sie zuerst, welche Länge Ihr Kanal tatsächlich unterstützt.
Zwei Punkte zum Reasoning, aus der offiziellen Mistral-Reasoning-Dokumentation:
reasoning_effortaufhighgesetzt: Das zurückgegebenemessage.contentist eine Liste von Blöcken (Denkblock + Textblock), kein normaler String. Ihr Parsing-Code muss das berücksichtigen- Bei Mehrfachdialogen muss die vollständige Assistant-Nachricht (einschließlich der Denkblöcke) unverändert in den Verlauf zurückgegeben werden. Laut Dokumentation senkt das Entfernen der Denkblöcke die Ausgabequalität deutlich
Tests und Benchmarks
Offizielle Daten
Alle folgenden Werte wurden von Mistral selbst veröffentlichtund nicht von Dritten überprüft:
| Bereich | Benchmark | Mistral Large 4 |
|---|---|---|
| Coding | DeepSWE v1.1 | 61.7% |
| Coding | SWE-Atlas-QnA | 59.4% |
| Coding | Terminal-Bench 4 | 28.3% |
| Coding | Coding Agent Index | 49.8 % (laut Mistral höher als DeepSeek V4 Pro 0813 und Qwen3.8 Max) |
| Agent | AutomationBench | 59.9% |
| Wissensarbeit | AA-Briefcase | 1,393 Elo |
| Cybersicherheit | CyberGym-E2E | 82% |
| Cybersicherheit | Cybench | 93% |
| Visual Grounding | Dense 200 | 42 % (GPT-6 Astra 41 %) |
| Sicherheit | Lakera B3 Angriffsresistenz | 93.3% |
Mistral nennt außerdem zwei Vergleiche:
- Bei der Blindbewertung der Coding-Qualität durch Surge AI (1-5 Punkte) erreicht die Preview von Large 4 3.74 Punkte und belegt unter 5 Modellen Platz 2. Das liegt über Kimi K3 (3.59), GLM-5.3 (3.60) und GLM-5.2 (3.40), aber unter Claude Opus 5 (4.22)
- Bei der Cybersicherheit landet Large 4 im Artificial Analysis Cyber Index weltweit unter den ersten fünf. Mistral hebt hervor, dass Claude Opus 5.5 und GPT-6 Astra bei Tests wie „Schwachstelle reproduzieren, dann patchen“ nahe 0 Punkte erzielen, weil sie die Ausführung direkt verweigern
Daten von Drittanbietern
Artificial Analysis(getestet wurde die Preview-Variante mit Reasoning):
- Intelligence Index 38, der Median in dieser Preisklasse liegt bei 27. Zum Vergleich: Im selben Index kommt Claude Opus 5.5 auf 57,6, GPT-6.1 Sol auf 51,8 und Gemini 4 Argon (High) auf 52,6
- Für den kompletten Index wurden 200 Mio. Output-Tokensverbraucht, der Median in dieser Preisklasse liegt bei 87 Mio. AA bewertet das Modell als „sehr geschwätzig“
- Ausgabegeschwindigkeit 70,9 Tokens/Sekunde, unter dem Median der Preisklasse von 79,2; Latenz bis zum ersten Token 1,92 Sekunden
- Durchschnittlich $1,13 Kosten pro Aufgabe
- Einzelwerte: Langkontext-Reasoning AA-LCR 81,3 %, Humanity's Last Exam 35,0 %, GDPval-AA 46,1 %, SciCode 54,2 %, Terminal-Bench 4.0 26,8 %
Vals AI(Wiedergabe über OpenRouter):
- Vals Index 48,7 %, Vals Finance Index 56,9 %, Finance Agent v2.1 61,4 %
- Coding: Terminal-Bench 4.0 27,8 %, SWE-bench Multimodal 33,1 %, Vibe Code Bench v1.1 78,4 %
OpenRouter: Der P50-Durchsatz des besten Anbieters liegt bei etwa 55 Tokens/Sekunde.
Praxistests von Entwicklern
- sudo L7 von Surge AI(ein Coding-Benchmark, der das Urteilsvermögen erfahrener Entwickler prüft): 13,3 %, mehr als Muse Spark 1.3 (12,2 %) und Grok 4.7 (10,6 %)
- Der Bug-Suchtest von Paweł Huryn: In zwei echte Repositories wurden 105 Bugs eingebaut. Large 4 (Stufe high, zugleich die höchste Stufe) erreichte im Schnitt über drei Läufe 15 Punkte, Qwen3.8 Max 25,7, Kimi K3 23, DeepSeek V4.1 Flash 21,7, GLM-5.3 19
- Model Tested: Beim Lesen von Dokumenten 99,7 Punkte (von 100) und damit mehr als alle lokalen Modelle, die dort bisher getestet wurden. Von 30 Coding-Aufgaben löste es aber nur 18,bei den übrigen 12 war das Denkbudget aufgebraucht, ohne dass eine Antwort kam. Auch eine niedrigere Reasoning-Stufe brachte keine Besserung. Die 18 gelösten Aufgaben waren alle korrekt
- TheGitAI: Nach dem Test wurde entschieden, es nicht in den eigenen Coding-Agenten einzubinden. Begründung: niedrigere Werte als GLM 5.3 Flash und DeepSeek V4.1, dazu das langsamste aller getesteten Modelle
- Silicon AI Software Factory(Enterprise-Projekt mit .NET/Vue): Platz 14 bei Bugfixes, Platz 28 bei der Umsetzung von User Stories
Die Ergebnisse der Tests stimmen überein:Bei Dokumenten, Finanz- und Sicherheitsaufgaben schneidet es gut ab, beim Programmieren liegt es hinter den zeitgleich erschienenen chinesischen Modellen und neigt dazu, zu lange nachzudenken.
Stärken, Schwächen und passende Einsatzfälle
Stärken:
- Einsetzbar für Cybersecurity: Bei Aufgaben wie Schwachstellen-Reproduktion, Patchen und Malware-Analyse lehnen viele Closed-Source-Modelle ab. Die offiziellen Werte und die Positionierung von Large 4 zielen genau darauf
- Stark bei Dokumenten und Finanzaufgaben: Beim Dokumentenlesen erreicht Model Tested fast die volle Punktzahl, auch die Finanzwerte von Vals sind solide
- Günstiger Preis: Output kostet $4,18 und damit weniger als bei Mistral Medium 3.5, gecachter Input nur $0,14
- 1M Kontext + Bildeingabe, beim visuellen Grounding liegen die offiziellen Werte leicht über GPT-6 Astra
- Betrieb in Europa, offene Gewichte geplant: Interessant für Teams mit Anforderungen an Datensouveränität oder Self-Hosting
Schwächen:
- Zu viel Nachdenken: Die von AA gemessene Menge an Output-Tokens liegt mehr als doppelt so hoch wie der Median der Preisklasse. Ein niedriger Einzelpreis heißt nicht, dass es insgesamt günstig wird. Ein Nutzer verglich unter dem offiziellen Mistral-Post: Bei derselben Coding-Aufgabe zur Umsatzprognose kostete Large 4 etwa $14, GPT-6.1 Sol etwa $1
- Eher langsam: Die Ausgabegeschwindigkeit liegt bei AA und OpenRouter jeweils zwischen 55 und 71 Tokens/Sekunde
- Coding-Agenten sind nicht seine Stärke: In mehreren Tests liegt es hinter Qwen3.8 Max, Kimi K3, DeepSeek V4.1 Flash und GLM-5.3
- Noch eine Preview-Version: Laut Hersteller wird das Modell weitertrainiert, Werte und Verhalten können sich ändern. Die Kontextlänge wird je nach Anbieter unterschiedlich angegeben
Passende Einsatzfälle:
- Sicherheitsteams bei Schwachstellenforschung, Code-Security-Audits und dem Schreiben von Erkennungsregeln
- Lesen und Extrahieren aus langen Dokumenten wie Finanzberichten, Rechtstexten, Verträgen und Reports
- Unternehmen mit Anforderungen an den Datenstandort, die später auf Self-Hosting umsteigen wollen
- Nicht geeignet: latenzkritische Online-Szenarien, außerdem als primäres Coding-Modell für Claude Code / Codex
So binden Sie es ein
AI Code With hat Mistral Large 4 derzeit noch nicht im Angebot. Sobald es verfügbar ist, ergänzen wir hier unsere Modell-ID und die Konfiguration.
Sie können schon jetzt direkt die offizielle Mistral-API nutzen (den Key legen Sie in Mistral Studio an). Beispiel für Chat Completions:
curl https://api.mistral.ai/v1/chat/completions \
-H "Authorization: Bearer $MISTRAL_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "mistral-large-4",
"messages": [{"role": "user", "content": "你的问题"}],
"reasoning_effort": "high"
}'
Python SDK:
import os
from mistralai import Mistral
client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
resp = client.chat.complete(
model="mistral-large-4",
messages=[{"role": "user", "content": "你的问题"}],
reasoning_effort="high",
)
print(resp.choices[0].message.content)
Der Modellname auf OpenRouter lautet mistralai/mistral-large-4-0; der Zugriff läuft über die OpenAI-kompatible Schnittstelle.
Einige Tipps zur Nutzung:
- Probieren Sie bei einfachen Aufgaben zuerst
reasoning_effortmit dem Wertnone. Das spart Tokens und ist deutlich schneller. Aktivieren Sie bei schwierigen Problemen erst dannhigh - Geben Sie
max_tokensgenug Spielraum und setzen Sie ein Request-Timeout, damit nach langem Nachdenken nicht am Ende gar nichts zurückkommt - Legen Sie bei Mehrfach-Dialogen die vollständige Assistant-Nachricht zurück in den Verlauf, nicht nur den Text
- Vergleichen Sie vor dem produktiven Einsatz Kosten und Laufzeit mit Ihren eigenen Aufgaben gegenüber GLM-5.3 und DeepSeek V4.1 Flash
Die allgemeine Konfiguration für Drittanbieter-APIs finden Sie in den Artikeln „Claude Code mit Drittanbieter-APIs verwenden“ und „Codex config.toml: Konfigurationsleitfaden“.
Häufige Fragen
Ist Mistral Large 4 Open Source?
Offiziell ist es als Modell mit offenen Gewichten positioniert, die Gewichte sollen Ende Oktober erscheinen. Stand 2026-10-22 sind sie noch nicht veröffentlicht, derzeit geht es nur über die API.
Was kostet Mistral Large 4?
Der offizielle Preis pro Million Tokens beträgt $1,36 für Input, $0,14 für gecachten Input und $4,18 für Output. Der Rabatt von 50 % in den ersten zwei Wochen nach dem Start ist ausgelaufen.
Eignet sich Mistral Large 4 zum Programmieren?
Es ist nutzbar, aber nicht seine größte Stärke. Der offizielle Wert bei DeepSWE v1.1 liegt bei 61,7 %, in Tests von Drittanbietern liegt es meist hinter Qwen3.8 Max, Kimi K3 und DeepSeek V4.1 Flash und neigt zu langem Nachdenken. Als primäres Coding-Modell empfehlen wir eher andere Modelle.
Was ist Le Chonk?
Das ist ein Spitzname für Mistral Large 4, so nennt es auch der offizielle Mistral-Blog selbst.
Quellen (geprüft am 2026-10-22)
- Mistral: Introducing Mistral Large 4
- Mistral Docs: Modellseite zu Mistral Large 4
- Mistral Docs: API-Preise
- Mistral Docs: Changelog (Eintrag vom 6. Oktober)
- Mistral Docs: Reasoning
- Offizieller Mistral-Post auf X
- Artificial Analysis: Mistral Large 4 Preview
- OpenRouter: Mistral Large 4 (mit Daten von AA, Vals AI, Design Arena)
- X @HelloSurgeAI: sudo L7 Ranking
- X @PawelHuryn: Test mit 105 echten Bugs
- Model Tested: We tested Mistral Large 4
- X @thegitai: Bewertung der Einbindung in Coding-Agenten
- X @rogerhendriks: Ranking der Silicon AI Software Factory
- X @victor_zhng: Kostenvergleich mit GPT-6.1 Sol
