Mistral Large 4란? 공식 가격, 1M 컨텍스트, 벤치마크와 실측: 사이버 보안과 문서에 강하고 코딩은 느린 편

먼저 결론부터 말씀드립니다:Mistral Large 4는 Mistral이 2026년 10월 6일 공개 프리뷰 형태로 발표한 플래그십 모델이며, API 모델명은 mistral-large-4입니다. 공식 가격은 100만 tokens당 입력 $1.36, 캐시 입력 $0.14, 출력 $4.18이고, 컨텍스트는 1M입니다.

강점과 약점이 모두 뚜렷합니다. 공식 데이터와 서드파티 데이터 모두 이 모델이사이버 보안, 금융, 문서 이해분야에서 강하다고 보여 주지만, Artificial Analysis의 종합 인텔리전스 지수는 38에 그칩니다. 또한사고량이 많고 출력이 느린 편이며, 여러 개발자의 코딩 실측에서도 Qwen3.8 Max, Kimi K3, DeepSeek V4.1 Flash 등에 뒤처졌습니다.

이 글의 수치는 2026-10-22 기준이며, Mistral 공식 발표 블로그,모델 문서,가격 페이지,업데이트 로그, 그리고 Artificial Analysis,OpenRouter 등 서드파티 페이지를 참고했습니다. 순위표 점수는 바뀔 수 있으므로 원본 페이지를 기준으로 삼아야 합니다.

Mistral Large 4란 무엇인가

Mistral 공식 설명은 다음과 같습니다:

• 2026년 10월 6일 Public Preview(공개 프리뷰) 로 발표되었으며, 별칭은 Le Chonk입니다. Mistral의 역대 가장 크고 강력한 모델입니다
• 문서에 명시된 구성은전문가 혼합(MoE) 아키텍처, 총 파라미터 1.05T, 활성 파라미터 52B이며, 별도로 1.6B 비전 인코더를 갖춰 이미지 입력을 네이티브로 지원합니다
• 하나의 모델이 지시 수행, 추론, Agent 작업을 모두 다루며, 추론 깊이는 reasoning_effort 파라미터로 제어합니다
• Mistral의 유럽 자체 데이터센터에 있는 NVIDIA Grace Blackwell 3,800장으로 처음부터 학습했으며, 학습 데이터는 160개 이상의 언어를 포함합니다
• 공식이 내세우는 방향: 사이버 보안, 코딩 Agent, 금융·법률 등 전문 업무, 비전 그라운딩
• 가중치는 10월 말 공개 예정입니다. 2026-10-22 기준 Mistral의 Hugging Face 페이지에는 아직 Large 4 가중치가 없으며, 현재는 API로만 호출할 수 있습니다

파라미터 수 표기는 완전히 일치하지 않습니다. 문서에는 총 1.05T 파라미터 / 활성 52B로, 발표 블로그에는 “1 trillion / 52 billion active”로, Mistral 공식 X 게시물에는 “49B active”로 적혀 있습니다. 이 글은 문서를 기준으로 합니다.

공식 가격

Mistral 가격 페이지 기준이며, 100만 tokens당 미국 달러 단위입니다:

참고 사항:

• 공식 업데이트 로그에는출시 후 2주간 50% 할인(10월 6일부터)이라고 적혀 있습니다. 일부 애그리게이터 플랫폼 페이지에는 아직 $0.68 / $2.09 할인가가 표시되어 있지만, 현재는 공식 가격 페이지의 $1.36 / $4.18을 기준으로 삼아야 합니다
• 캐시 입력은 정가의 약 1/10 수준이라, 긴 시스템 프롬프트나 같은 문서를 반복해서 읽는 시나리오에서 상당한 비용을 아낄 수 있습니다
• 가격 페이지에는 유로 표기, Batch, Priority 등급도 함께 제공되며, 자세한 내용은 공식 가격 페이지를 따릅니다
• 같은 회사의 다른 모델과 비교하면 Mistral Large 3는 $0.5 / $1.5, Mistral Medium 3.5는 $1.5 / $7.5입니다. Large 4의 출력 가격은 Medium 3.5보다도 저렴합니다

단가만 보면 높지 않지만, 이 모델은“생각”이 아주 많은 모델이어서, 실제 비용은 출력 token 사용량에 따라 달라집니다. 아래 평가 부분을 참고하십시오.

AI Code With에 등록되면 이곳에 당사 가격을 추가하겠습니다.

컨텍스트와 기능

컨텍스트 표기는 완전히 일치하지 않습니다. Mistral 문서와 OpenRouter는 1M으로, Artificial Analysis 페이지는 524k로 적고 있으며, Vercel, opencode 등 채널도 524,288로 표기합니다. 50만 tokens를 넘는 내용을 넣어야 한다면 사용하는 채널이 실제로 어디까지 지원하는지 먼저 확인하십시오.

추론과 관련해 Mistral 공식 추론 문서에서 확인한 두 가지입니다:

• reasoning_effort 를 high 로 설정하면 반환되는 message.content 는 일반 문자열이 아니라 블록 리스트(사고 블록 + 본문 블록)이므로, 파싱 코드가 이를 처리하도록 만들어야 합니다
• 멀티턴 대화에서는 사고 블록을 포함한 assistant 메시지 전체를 그대로 히스토리에 다시 넣어야 합니다. 사고 블록을 제거하면 출력 품질이 눈에 띄게 떨어진다고 공식 문서에 명시되어 있습니다

평가와 벤치마크

공식 데이터

아래는 모두 Mistral이 직접 공개한 수치이며, 서드파티 검증을 거치지 않았습니다:

공식은 두 가지 비교도 제시했습니다:

• Surge AI가 진행한 코딩 품질 블라인드 평가(1~5점)에서 Large 4 프리뷰 버전은 3.74점으로 5개 모델 중 2위를 기록했습니다. Kimi K3(3.59), GLM-5.3(3.60), GLM-5.2(3.40)보다 높고 Claude Opus 5(4.22)보다 낮은 점수입니다
• 사이버 보안 측면에서는 Artificial Analysis Cyber Index 기준 전 세계 상위 5위에 들었습니다. 공식은 특히 Claude Opus 5.5와 GPT-6 Astra가 “취약점을 재현한 뒤 패치하기” 같은 테스트에서 점수가 0에 가까웠다고 언급했는데, 실행 자체를 거부했기 때문입니다

서드파티 데이터

Artificial Analysis(Preview 추론 버전 기준):

• 인텔리전스 지수 38, 동급 가격대 중앙값은 27입니다. 참고로 같은 지수에서 Claude Opus 5.5는 57.6, GPT-6.1 Sol은 51.8, Gemini 4 Argon(High)은 52.6입니다
• 전체 지수를 실행하는 데 출력 tokens 2억 개를 사용했으며동급 가격대 중앙값은 8,700만 개입니다. AA는 “매우 장황하다”고 평가했습니다
• 출력 속도는 70.9 tokens/초로 동급 가격대 중앙값 79.2보다 낮고, 첫 token 지연 시간은 1.92초입니다
• 작업당 평균 비용은 $1.13입니다
• 세부 항목: 장문 컨텍스트 추론 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(OpenRouter 전재):

• Vals Index 48.7%, Vals Finance Index 56.9%, Finance Agent v2.1 61.4%
• 코딩 관련: Terminal-Bench 4.0 27.8%, SWE-bench Multimodal 33.1%, Vibe Code Bench v1.1 78.4%

OpenRouter: 가장 좋은 채널 기준 P50 처리량은 약 55 tokens/초입니다.

개발자 실측

• Surge AI의 sudo L7(시니어 엔지니어의 판단력을 측정하는 코딩 벤치마크): 13.3%로, Muse Spark 1.3(12.2%)과 Grok 4.7(10.6%)보다 높습니다
• Paweł Huryn의 버그 찾기 테스트: 실제 저장소 두 곳에 버그 105개를 심었고, Large 4(high 등급이자 최고 등급)는 세 번 평균 15점을 받았습니다. Qwen3.8 Max는 25.7, Kimi K3는 23, DeepSeek V4.1 Flash는 21.7, GLM-5.3은 19였습니다
• Model Tested: 문서 읽기 99.7점(만점 100)으로, 테스트한 모든 로컬 모델보다 높았습니다. 다만 코딩 문제 30개 중 18개만 풀었고,나머지 12개는 사고 예산을 모두 소진하고도 답을 내지 못했습니다. 추론 등급을 낮춰도 개선되지 않았습니다. 푼 18개는 모두 정답이었습니다
• TheGitAI: 테스트 후 자사 코딩 Agent에는 도입하지 않기로 했습니다. 점수가 GLM 5.3 Flash와 DeepSeek V4.1보다 낮고, 테스트한 모델 중 가장 느렸기 때문입니다
• Silicon AI Software Factory(기업용 .NET/Vue 프로젝트): 버그 수정은 14위, 사용자 스토리 구현은 28위였습니다

여러 실측 결과가 같은 결론을 가리킵니다:문서, 금융, 보안 작업에서는 성능이 좋지만, 코드 작성은 같은 시기의 중국 모델보다 못하고 너무 오래 생각하는 경향이 있습니다.

장단점과 적합한 시나리오

장점:

• 사이버 보안 작업 가능: 취약점 재현, 패치, 악성코드 분석 같은 작업은 많은 클로즈드 소스 모델이 거부하지만, Large 4는 공식 점수와 포지셔닝 모두 이쪽에 치우쳐 있습니다
• 문서와 금융 작업에 강함: Model Tested 문서 읽기는 만점에 가깝고, Vals의 금융 분야 점수도 괜찮습니다
• 저렴한 단가: 출력 $4.18로 Mistral Medium 3.5보다도 낮고, 캐시 입력은 $0.14뿐입니다
• 1M 컨텍스트 + 이미지 입력, 시각 그라운딩 공식 수치는 GPT-6 Astra보다 약간 높습니다
• 유럽 배포, 오픈 웨이트 공개 예정: 데이터 주권이나 사설 배포 요구가 있는 팀에 매력적입니다

단점:

• 과도한 사고: AA가 측정한 출력 token 양은 동급 가격대 중앙값의 두 배가 넘습니다. 단가가 싸다고 총비용이 싼 것은 아닙니다. 한 사용자가 Mistral 공식 게시글 아래에서 비교했는데, 같은 매출 예측 코딩 작업에 Large 4는 약 $14, GPT-6.1 Sol은 약 $1가 들었습니다
• 느린 속도: AA와 OpenRouter에서 측정한 출력 속도는 모두 55-71 tokens/초 범위입니다
• 코딩 Agent는 강점이 아님: 여러 실측에서 Qwen3.8 Max, Kimi K3, DeepSeek V4.1 Flash, GLM-5.3에 뒤처졌습니다
• 아직 프리뷰 버전: 공식적으로 모델이 계속 학습 중이라 점수와 동작이 바뀔 수 있으며, 컨텍스트 길이도 채널마다 표기가 다릅니다

적합한 시나리오:

• 보안 팀의 취약점 연구, 코드 보안 감사, 탐지 규칙 작성
• 금융, 법률, 계약, 보고서 같은 긴 문서의 읽기와 추출
• 데이터 소재지 요건이 있거나 이후 사설 배포를 원하는 기업
• 부적합: 속도에 민감한 온라인 시나리오, Claude Code / Codex의 주력 코딩 모델로 쓰는 경우

연동 방법

AI Code With에는 아직 Mistral Large 4가 등록되지 않았습니다. 등록되면 이곳에 모델 id와 설정 방법을 추가하겠습니다.

지금은 Mistral 공식 API를 바로 사용할 수 있습니다(Mistral Studio에서 Key 생성). Chat Completions 예시:

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)

OpenRouter에서의 모델 이름은 mistralai/mistral-large-4-0이며, OpenAI 호환 인터페이스를 사용합니다.

사용 팁:

• 간단한 작업은 먼저 reasoning_effort 항목을 다음과 같이 설정해 보세요: none. 이렇게 하면 token도 아끼고 훨씬 빠릅니다. 어려운 문제에서만 high
• 옵션을 켜고, max_tokens 항목에 충분한 여유를 두고 요청 타임아웃도 설정하세요. 오래 생각한 끝에 아무것도 반환되지 않는 상황을 피할 수 있습니다
• 멀티턴 대화에서는 assistant 메시지 전체를 기록에 다시 넣고, 본문만 남기지 마세요
• 정식으로 사용하기 전에 자신의 작업으로 GLM-5.3, DeepSeek V4.1 Flash와 비용 및 소요 시간을 비교해 보세요

서드파티 API의 일반적인 설정 방법은 《Claude Code에서 서드파티 API를 연결하는 방법》과 《Codex config.toml 설정 가이드》를 참고하세요.

자주 묻는 질문

Mistral Large 4는 오픈소스인가요?

공식 포지셔닝은 오픈 웨이트 모델이며, 10월 말에 웨이트를 공개할 계획입니다. 2026-10-22 기준 아직 공개되지 않았으며, 현재는 API로만 사용할 수 있습니다.

Mistral Large 4의 가격은 얼마인가요?

공식 가격은 100만 tokens당 입력 $1.36, 캐시 입력 $0.14, 출력 $4.18입니다. 출시 후 2주간 적용된 50% 할인은 이미 종료되었습니다.

Mistral Large 4는 코드 작성에 적합한가요?

사용할 수는 있지만 가장 강한 분야는 아닙니다. 공식 DeepSWE v1.1은 61.7%이고, 서드파티 실측에서는 대체로 Qwen3.8 Max, Kimi K3, DeepSeek V4.1 Flash에 뒤처지며 너무 오래 생각하는 경향도 있습니다. 주력 코딩 모델로는 다른 모델을 먼저 고려하시길 권합니다.

Le Chonk는 무엇인가요?

Mistral Large 4의 별명이며, Mistral 공식 블로그에서 스스로 이렇게 부릅니다.

출처(2026-10-22 기준 확인)

• Mistral: Introducing Mistral Large 4
• Mistral Docs: Mistral Large 4 모델 페이지
• Mistral Docs: API 가격
• Mistral Docs: 변경 로그(10월 6일 항목)
• Mistral Docs: Reasoning
• Mistral 공식 X 게시글
• Artificial Analysis: Mistral Large 4 Preview
• OpenRouter: Mistral Large 4(AA, Vals AI, Design Arena 데이터 포함)
• X @HelloSurgeAI: sudo L7 순위
• X @PawelHuryn: 실제 버그 105개 테스트
• Model Tested: We tested Mistral Large 4
• X @thegitai: 코딩 Agent 도입 평가
• X @rogerhendriks: Silicon AI Software Factory 순위
• X @victor_zhng: GPT-6.1 Sol과의 비용 비교