Mistral Large 4 přichází v náhledu: otevřené váhy dorazí až později

Reportáž Le Monde ze 6. října 2026 popisuje zpřístupnění Mistral Large 4 ve veřejném náhledu přes API a plán vydat váhy později v říjnu; zároveň zaznamenává předběžný firemní výsledek 63 % v Deep SWE 1.1 a slova spoluzakladatele Guillauma Lampla, že model „narrows the gap“ vůči nejsilnějším konkurentům. Francouzská Mistral AI tak již nabízí přístup ke spravovanému modelu, zatímco možnost stáhnout jeho váhy pro vlastní provoz teprve připravuje.

Rozdíl v dostupnosti je pro firmy a vývojáře podstatný: přes API lze dnes zkoušet chování náhledu a účtování za tokeny, nikoli náklady či podmínky nasazení zveřejněných vah. Výkonové údaje přitom pocházejí z různých typů hodnocení. Firemní programátorské skóre a nezávislé indexy měří jiné úlohy, takže je nelze seřadit do jediné tabulky úspěšnosti.

API už funguje, váhy mají přijít později

Veřejný náhled je dostupný v Mistral Studio a přes jeho API. V tomto režimu běží model na infrastruktuře poskytovatele: aplikace odesílá požadavky službě a ta vrací odpovědi. Zákazník může posoudit, zda mu model vyhovuje pro práci s textem, obrázky, kódem a nástroji, ale zatím z této nabídky nezískává soubory potřebné k samostatnému spuštění modelu.

• Dostupné nyní: veřejný náhled přes API pro testování a integraci; spotřeba se účtuje podle vstupních a výstupních tokenů.
• Ohlášené na konec měsíce: zveřejnění vah spolu s dalšími podrobnostmi o architektuře, následném trénování a výsledcích testů.
• Pro vlastní provoz stále otevřené: konkrétní licenční podmínky vydaných vah a výpočetní nároky instalace.

Rozdíl není jen v tom, odkud přichází odpověď. U spravovaného API určuje dostupnost a provozní prostředí poskytovatel, zatímco samostatné nasazení dává provozovateli větší kontrolu nad infrastrukturou a jejími náklady. Příslib zveřejnění vah proto může být důležitý pro evropské podniky, které řeší umístění výpočtů a závislost na jedné službě; vlastní instalaci však bude možné přesně ocenit až s vydanými soubory a podmínkami jejich použití.

Technické parametry a evropská infrastruktura

V oficiálním oznámení Large 4 Mistral popisuje multimodální model s přibližně bilionem parametrů, trénovaný na 3 800 čipech NVIDIA Grace Blackwell ve vlastních evropských datových centrech, a vykazuje skóre 61,7 % v DeepSWE v1.1. Náhled je poskytován ze stejné infrastruktury. Místo trénování a provozu je pro evropské zákazníky relevantní, samo o sobě však neurčuje smluvní zacházení s jejich daty při používání konkrétní služby.

Architektura typu mixture of experts umožňuje při zpracování požadavku zapojit jen část modelu, takže celkový počet parametrů není přímým údajem o výpočetní práci jedné odpovědi. Vstupem může být text i obraz a výstupem text; Mistral mezi zamýšlenými oblastmi uvádí programování, agentní úlohy, dokumenty a vizuální analýzu. U podnikové integrace je užitečnější sledovat chování modelu na konkrétním typu úloh než odvozovat kvalitu z jeho velikosti.

Na zveřejnění vah navazuje další technická otázka: jak velká výpočetní sestava bude potřeba pro požadovanou rychlost a objem práce. Údaj o tréninkové infrastruktuře na ni sám neodpovídá, protože výcvik a následné poskytování odpovědí mají jiné nároky. Právě proto zatím nelze z ceny API vyčíst, zda bude pro určitou firmu levnější spravovaná služba, nebo vlastní nasazení.

Co skutečně říkají výsledky testů

Předběžné skóre DeepSWE citované při uvedení a hodnota v aktuálním firemním přehledu se týkají stejnojmenného testu dlouhých programátorských úloh, ale liší se. Z dostupných zveřejněných údajů není patrné, zda za rozdílem stojí aktualizace modelu, způsob výpočtu, nebo jiné nastavení. Ani jeden z obou údajů proto nelze vydávat za nezávisle potvrzený výsledek programování.

Vlastní měření Artificial Analysis přidělilo náhledu 38 bodů na Intelligence Index a 50 bodů na Cyber Index; pro API současně uvádí běžné sazby 1,36 dolaru za milion vstupních a 4,18 dolaru za milion výstupních tokenů, během prvních dvou týdnů snížené na 0,68 a 2,09 dolaru. Indexy jsou nezávislým hodnocením náhledu, ne opakováním DeepSWE. Ukazují výkon na vlastních sadách úloh a jejich čísla nelze zaměňovat za procento úspěšnosti v programátorském testu.

To je důležitá hranice také pro firemní tvrzení o konkurenceschopnosti. Výsledek v jedné programátorské sadě, souhrnný index a hodnocení kybernetických úloh odpovídají na různé otázky. Mistral nabízí ukázky práce s kódem a obrazy, ale žebříčkové postavení z jedné oblasti nepředpovídá spolehlivost dlouhé firemní úlohy, kvalitu výstupů v češtině ani výdaje při větším provozu.

Kolik vychází náhled při různém objemu tokenů

Modelový příklad bez využití mezipaměti ukazuje dopad zaváděcí slevy: jeden milion vstupních a čtvrt milionu výstupních tokenů vyjde při snížených sazbách přibližně na 1,20 dolaru. Při běžných sazbách činí stejná kombinace asi 2,41 dolaru. Je to prostý součet dvou typů účtovaných tokenů, nikoli odhad měsíčního účtu konkrétního zákazníka.

Při větším hypotetickém objemu, deset milionů vstupních a jeden milion výstupních tokenů, by obdobný výpočet dal 8,89 dolaru se slevou a 17,78 dolaru bez ní. Poměr vstupu a výstupu může výslednou cenu změnit podstatně více než samotný počet požadavků; roli může hrát i účtování opakovaného vstupu z mezipaměti. Pro dlouhodobé plánování je tedy podstatná běžná sazba, protože úvodní sleva končí před ohlášeným vydáním vah.

Dalším konkrétním bodem vývoje bude zveřejnění vah a doprovodných technických a licenčních podmínek na konci října. Teprve z nich půjde odvodit skutečnou alternativu k účtu za API: jaké prostředky potřebuje vlastní provoz a jaké možnosti úprav modelu budou dovoleny.

Přečtěte si také:

• Vlastní n8n bez otevřených dveří: HTTPS nestačí jako jediná ochrana