まず結論です。Mistral Large 4 は、Mistral が 2026 年 10 月 6 日にパブリックプレビューとして公開したフラッグシップモデルで、API のモデル名は mistral-large-4です。公式価格は 100 万トークンあたり入力 $1.36、キャッシュ入力 $0.14、出力 $4.18 で、コンテキストは 1M です。
強みと弱みがはっきりしています。公式データでもサードパーティのデータでも、サイバーセキュリティ、金融、ドキュメント理解に強いことが示されています。一方、Artificial Analysis の総合インテリジェンス指数は 38 にとどまり、思考量が多く、出力は遅めです。開発者によるコーディングの実測でも、Qwen3.8 Max、Kimi K3、DeepSeek V4.1 Flash などに及びませんでした。
本記事の数値は 2026-10-22 時点のもので、Mistral 公式の 発表ブログ、モデルドキュメント、料金ページ、更新履歴、および Artificial Analysis、OpenRouter などサードパーティのページを根拠にしています。ランキングのスコアは変動するため、元のページを優先してください。
Mistral Large 4 とは
Mistral 公式の説明は次のとおりです。
- 2026 年 10 月 6 日に Public Preview（パブリックプレビュー） として公開。愛称は Le Chonk で、Mistral がこれまでに出した中で最大かつ最強のモデルです
- ドキュメントによると、混合エキスパート（MoE）アーキテクチャで、総パラメータ 1.05T、アクティブパラメータ 52Bです。ほかに 1.6B のビジョンエンコーダーを備え、画像入力にネイティブ対応しています
- 1 つのモデルで指示追従、推論、Agent タスクをカバーし、推論の深さは
reasoning_effortパラメータで制御します - Mistral のヨーロッパ自社データセンターにある 3,800 基の NVIDIA Grace Blackwell でゼロから学習しており、学習データは 160 以上の言語にわたります
- 公式が打ち出している方向は、サイバーセキュリティ、コーディング Agent、金融や法務などの専門業務、ビジュアルグラウンディングです
- ウェイトは 10 月末に公開予定です。2026-10-22 時点では、Mistral の Hugging Face ページにまだ Large 4 のウェイトはなく、現状は API 経由でのみ利用できます
パラメータ数の記述は完全には一致していません。ドキュメントは総パラメータ 1.05T / アクティブ 52B、発表ブログは「1 trillion / 52 billion active」、Mistral 公式の X 投稿は「49B active」としています。本記事ではドキュメントに従います。
公式価格
Mistral の料金ページより、100 万トークンあたりの価格です（単位は米ドル）。
| mistral-large-4 | 価格 |
|---|---|
| 入力 | $1.36 |
| キャッシュ入力 | $0.14 |
| 出力 | $4.18 |
補足です。
- 公式の更新履歴には発売後 2 週間は 50% オフ（10 月 6 日から）とあります。一部のアグリゲーターのページには $0.68 / $2.09 の割引価格がまだ表示されていますが、現在は公式料金ページの $1.36 / $4.18 が基準です
- キャッシュ入力は定価の約 1/10 で、長いシステムプロンプトや、同じ文書を繰り返し読ませる用途ではかなり節約できます
- 料金ページにはユーロ建て、Batch、Priority の各プランもあります。詳細は公式料金ページを確認してください
- 自社の他モデルとの比較では、Mistral Large 3 が $0.5 / $1.5、Mistral Medium 3.5 が $1.5 / $7.5 です。Large 4 の出力価格は Medium 3.5 より安くなっています
単価は高くないように見えますが、このモデルはとてもよく「考える」ため、実際のコストは出力トークン量次第です。詳しくは下の検証セクションを参照してください。
AI Code With に追加され次第、ここに当社の価格を追記します。
コンテキストと機能
| 項目 | 説明 |
|---|---|
| モデル名 | mistral-large-4（ドキュメント上のエイリアスは mistral-large-4-0） |
| Base URL | https://api.mistral.ai/v1 |
| コンテキスト | 1M（OpenRouter では 1,048,576 tokens と表記） |
| 最大出力 | 262,144 tokens（OpenRouter、models.dev のデータ。公式ドキュメントには個別の記載なし） |
| 入力 | テキスト、画像 |
| 出力 | テキスト |
| 推論制御 | reasoning_effort：high は完全な思考内容を返し、none は少量の思考だけを行い、思考内容は返しません |
| API 機能 | 構造化出力、関数呼び出し、ドキュメント QA、Prefix、Batch、Agents と Conversations、組み込みツール |
| ウェイト | 10 月末に公開予定。現在は API のみ |
コンテキスト長の記述は完全には一致していません。Mistral のドキュメントと OpenRouter は 1M、Artificial Analysis のページは 524k、Vercel や opencode などのチャネルも 524,288 と表記しています。50 万 tokens を超える内容を入れる場合は、使うチャネルが実際にどこまで対応しているか先に確認してください。
推論に関する 2 点です。Mistral 公式の推論ドキュメントによります。
reasoning_effortをhighに設定すると、返されるmessage.contentはチャンクのリスト（思考ブロック＋本文ブロック）になり、通常の文字列ではありません。パースするコードは両方に対応させてください- マルチターン会話では、思考ブロックを含む assistant メッセージ全体をそのまま履歴に戻してください。思考ブロックを削除すると出力品質が目に見えて下がると、公式は明言しています
検証とベンチマーク
公式データ
以下はすべて Mistral 自身が公表したもので、サードパーティによる検証は受けていません。
| 分野 | ベンチマーク | Mistral Large 4 |
|---|---|---|
| コーディング | DeepSWE v1.1 | 61.7% |
| コーディング | SWE-Atlas-QnA | 59.4% |
| コーディング | Terminal-Bench 4 | 28.3% |
| コーディング | Coding Agent Index | 49.8%（公式は DeepSeek V4 Pro 0813 と Qwen3.8 Max を上回るとしています） |
| Agent | AutomationBench | 59.9% |
| ナレッジワーク | AA-Briefcase | 1,393 Elo |
| サイバーセキュリティ | CyberGym-E2E | 82% |
| サイバーセキュリティ | Cybench | 93% |
| ビジュアルグラウンディング | Dense 200 | 42%（GPT-6 Astra 41%） |
| セキュリティ | Lakera B3 耐攻撃性 | 93.3% |
公式はさらに 2 つの比較を示しています。
- Surge AI によるコーディング品質のブラインド評価（1〜5 点）では、Large 4 プレビュー版は 3.74 点で、5 モデル中 2 位でした。Kimi K3（3.59）、GLM-5.3（3.60）、GLM-5.2（3.40）を上回り、Claude Opus 5（4.22）には及びません
- サイバーセキュリティでは、Artificial Analysis Cyber Index で世界トップ 5 に入っています。公式は特に、Claude Opus 5.5 と GPT-6 Astra が「脆弱性を再現してからパッチを当てる」タイプのテストでスコアがほぼ 0 だったと述べています。理由は、実行を直接拒否したためです
サードパーティのデータ
Artificial Analysis（Preview の推論版を測定）：
- インテリジェンス指数 38、同価格帯の中央値は27です。比較として、同じ指数ではClaude Opus 5.5が57.6、GPT-6.1 Solが51.8、Gemini 4 Argon(High)が52.6です
- 指数一式を実行するのに使ったのは 2億の出力tokensで、同価格帯の中央値は8,700万です。AAの評価は「非常に冗長」でした
- 出力速度は70.9 tokens/秒で、同価格帯の中央値79.2を下回ります。最初のtokenまでの遅延は1.92秒です
- タスク1件あたりの平均コストは$1.13です
- 内訳:長文コンテキスト推論のAA-LCRは81.3%、Humanity's Last Examは35.0%、GDPval-AAは46.1%、SciCodeは54.2%、Terminal-Bench 4.0は26.8%です
Vals AI(OpenRouter転載):
- Vals Indexは48.7%、Vals Finance Indexは56.9%、Finance Agent v2.1は61.4%です
- コーディング系:Terminal-Bench 4.0は27.8%、SWE-bench Multimodalは33.1%、Vibe Code Bench v1.1は78.4%です
OpenRouter:最良のプロバイダーのP50スループットは約55 tokens/秒です。
開発者による実測
- Surge AIのsudo L7(シニアエンジニアの判断力を測るコーディングベンチマーク):13.3%で、Muse Spark 1.3(12.2%)やGrok 4.7(10.6%)を上回ります
- Paweł Hurynのバグ発見テスト:2つの実リポジトリに105個のバグを仕込み、Large 4(high設定。これが最上位です)は3回平均で15点でした。Qwen3.8 Maxは25.7、Kimi K3は23、DeepSeek V4.1 Flashは21.7、GLM-5.3は19です
- Model Tested:ドキュメント読解は99.7点(満点100)で、同サイトがテストしたすべてのローカルモデルより高い結果でした。ただしコーディング問題30問のうち解けたのは18問で、残り12問は思考予算を使い切っても答えが出ませんでした。推論レベルを下げても改善しませんでした。解けた18問はすべて正解でした
- TheGitAI:テストの結果、自社のコーディングAgentには組み込まないと判断しています。理由は、スコアがGLM 5.3 FlashやDeepSeek V4.1より低く、テストしたモデルの中で最も遅かったためです
- Silicon AI Software Factory(企業向け.NET/Vueプロジェクト):バグ修正は14位、ユーザーストーリーの実装は28位でした
複数の実測で結論は一致しています。ドキュメント、金融、セキュリティ系のタスクは得意ですが、コードの記述は同時期の中国製モデルに及ばず、考え込みすぎる傾向もあります。
長所・短所と向いている用途
長所:
- サイバーセキュリティ業務に対応できる:脆弱性の再現、パッチ作成、マルウェア分析といったタスクは多くのクローズドモデルが拒否しますが、Large 4は公式のスコアも位置づけもこの分野寄りです
- ドキュメントと金融タスクに強い:Model Testedのドキュメント読解はほぼ満点で、Valsの金融系スコアも良好です
- 単価が安い:出力は$4.18でMistral Medium 3.5よりも低く、キャッシュ入力は$0.14だけです
- 1Mコンテキスト+画像入力に対応し、ビジュアルグラウンディングの公式データはGPT-6 Astraをわずかに上回ります
- 欧州でのデプロイ、重みの公開予定:データ主権やプライベートデプロイが必要なチームには魅力的です
短所:
- 考えすぎる:AAが測定した出力token量は同価格帯の中央値の2倍以上で、単価が安くても総額が安いとは限りません。Mistral公式の投稿には、同じ売上予測のコーディングタスクでLarge 4が約$14、GPT-6.1 Solが約$1だったと比較するユーザーもいました
- やや遅い:AAとOpenRouterで測定した出力速度は、どちらも55〜71 tokens/秒の範囲です
- コーディングAgentは得意ではない:複数の実測で、Qwen3.8 Max、Kimi K3、DeepSeek V4.1 Flash、GLM-5.3に後れを取っています
- まだプレビュー版:公式によると、モデルは学習を継続中で、スコアも挙動も変わる可能性があります。コンテキスト長もプロバイダーごとに表記が異なります
向いている用途:
- セキュリティチームによる脆弱性調査、コードのセキュリティ監査、検知ルールの作成
- 金融、法務、契約書、帳票といった長文ドキュメントの読解と抽出
- データの所在地に要件があり、将来プライベートデプロイを考えている企業
- 向いていない用途:速度が重要なオンラインのシーン、Claude Code / Codexのメインのコーディングモデルとしての利用
接続方法
AI Code WithにはまだMistral Large 4が掲載されていません。掲載され次第、ここにモデルidと設定方法を追記します。
現時点では、Mistral公式APIを直接使えます(Mistral StudioでKeyを作成します)。Chat Completionsの例:
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)
OpenRouterでのモデル名は mistralai/mistral-large-4-0で、OpenAI互換インターフェースを使います。
利用時のポイント:
- 簡単なタスクは、まず
reasoning_effortをnoneに設定して試してください。tokenの節約になり、速度もかなり上がります。難しい問題ではhigh - を有効にし、
max_tokensに十分な余裕を持たせ、リクエストのタイムアウトも設定しておきましょう。長時間考えた末に何も返ってこない事態を避けられます - マルチターンの会話では、本文だけでなくassistantメッセージ全体を履歴に戻します
- 本番で使う前に、自分のタスクでGLM-5.3やDeepSeek V4.1 Flashとコストと所要時間を比較しておくと安心です
サードパーティAPIの一般的な設定方法は『Claude CodeでサードパーティAPIを使う方法』と『Codex config.toml設定ガイド』をご覧ください。
よくある質問
Mistral Large 4はオープンソースですか?
公式の位置づけはオープンウェイトのモデルで、10月末に重みを公開する予定です。2026-10-22時点ではまだ公開されておらず、現在はAPIでのみ利用できます。
Mistral Large 4の価格は?
公式価格は100万tokensあたり、入力$1.36、キャッシュ入力$0.14、出力$4.18です。発売後2週間の50%オフはすでに終了しています。
Mistral Large 4はコーディングに向いていますか?
使えますが、得意分野ではありません。公式のDeepSWE v1.1は61.7%で、サードパーティの実測ではQwen3.8 Max、Kimi K3、DeepSeek V4.1 Flashに後れを取る例が多く、考え込みすぎる傾向もあります。メインのコーディング用途では、ほかのモデルを優先して検討することをおすすめします。
Le Chonkとは?
Mistral Large 4の愛称で、Mistral公式ブログ自身がそう呼んでいます。
出典(2026-10-22時点で確認)
- Mistral:Introducing Mistral Large 4
- Mistral Docs:Mistral Large 4モデルページ
- Mistral Docs:APIの価格
- Mistral Docs:更新履歴(10月6日の項目)
- Mistral Docs:Reasoning
- Mistral公式のX投稿
- Artificial Analysis:Mistral Large 4 Preview
- OpenRouter:Mistral Large 4(AA、Vals AI、Design Arenaのデータを含む)
- X @HelloSurgeAI:sudo L7ランキング
- X @PawelHuryn:105個の実バグのテスト
- Model Tested:We tested Mistral Large 4
- X @thegitai:コーディングAgent導入の評価
- X @rogerhendriks:Silicon AI Software Factory のランキング
- X @victor_zhng:GPT-6.1 Sol とのコスト比較
