Mistral Large 4 lover europæisk kontrol – modellen er stadig en preview

Mistral AI åbnede ifølge lanceringsmeddelelsen Mistral Large 4 som offentlig API-preview i Mistral Studio den 6. oktober 2026 og oplyste resultater på 61,7 % i kodetesten DeepSWE v1.1 og 82 % i CyberGym-E2E; selskabet lovede samtidig en europæisk implementering, som det selv vil drive fra ende til anden under europæisk lov. Resultaterne kommer fra Mistrals præsentation; modellen kan afprøves via API, mens modelvægtene endnu ikke er frigivet.

Medstifter Guillaume Lample sagde ifølge Le Monde, at modellen »narrows the gap« til de bedste modeller, men avisen bemærkede, at præstationspåstandene endnu afventer bekræftelse i løbende uafhængige ranglister. For en dansk køber er det dermed adgang til en konkret europæisk tjeneste og en lovende, men foreløbig måling af ydeevnen. De to forhold siger noget forskelligt om, hvor langt produktet er fra en stabil udgave.

Adgangen gælder en API-preview

Den offentlige adgang går gennem Mistrals egen tjeneste. Brugeren kan sende opgaver til modellen og vurdere dens svar, men kan endnu ikke hente Large 4-vægtene og installere dem på egen infrastruktur. Den forskel er afgørende for organisationer, der vil styre både model, opdateringer og driftsmiljø selv.

Mistral sigter mod at frigive vægtene senere i oktober efter yderligere sikkerhedsafprøvning med udvalgte partnere og myndigheder. Selskabet arbejder også fortsat med eftertræning og vil offentliggøre flere oplysninger om arkitektur, metode og testresultater sammen med vægtene. Den version, en kunde prøver via API nu, er derfor et øjebliksbillede af en model under udvikling; eventuelle senere forbedringer kan ændre både svarene og placeringen i sammenligninger.

Åbne vægte vil give en anden form for kontrol end en leverandørstyret API, fordi en organisation i princippet kan køre modellen i eget miljø og fastsætte sin egen driftspolitik. Det løfte forudsætter dog, at vægtene faktisk udgives, og at organisationen har den nødvendige kapacitet. Indtil da er den europæiske tjeneste den konkrete adgang, mens egen installation er en kommende mulighed.

Benchmarktallene måler forskellige opgaver

Resultatet i DeepSWE gælder længere softwareopgaver. CyberGym-E2E måler, om en model kan genskabe en sårbarhed i virkelig åben software og derefter rette den. Et resultat på den ene test kan ikke omsættes til en generel rangering på den anden, selv når samme model indgår i begge.

Forskellen bliver større ved agenttests. En agent kan få værktøjer, søgeadgang og et bestemt forløb for at løse opgaven; resultatet tilhører da hele den testede opsætning. Mistral fremhæver også tests for automatiserede arbejdsgange, regneark, jura og visuel forståelse. De dækker konkrete typer arbejde, men giver ikke én fælles score for en dansk organisations dokumenter, kode og billedmateriale.

Cybertesten kræver særlig omhu i sammenligningen. Hvis en anden model afviser en opgave om at genskabe en sårbarhed, kan dens lave score skyldes sikkerhedsregler såvel som manglende evne. Mistral bruger selv forskellen til at argumentere for, at sikkerhedsfolk har brug for mere kontrol over deres værktøj. Det er et forståeligt anvendelsesargument, men en høj testscore og en passende grænse for adgang er to særskilte beslutninger.

Europæisk drift rækker længere end selskabets adresse

Den europæiske påstand handler om infrastruktur og ansvar. IT Pros gennemgang beskriver træning på 3.800 Nvidia Grace Blackwell-GPU’er i Mistrals egne europæiske datacentre, levering af previewen fra samme infrastruktur, et europæisk driftstilbud uden andre digitale tjenesteudbydere og træningsmateriale på mere end 160 sprog, herunder alle officielle EU-sprog.

For en kunde er det nyttigt at skelne mellem træningssted, placeringen af den aktuelle preview og vilkårene i en bestemt implementering. Et europæisk datacenter i modeludviklingen fastlægger ikke i sig selv, hvor kundens forespørgsler behandles, eller hvem der får adgang til dem. Løftet om drift fra ende til anden angår den europæiske implementering; konkrete datavilkår følger af den tjeneste og aftale, kunden vælger.

Sprogdækningen gør dansk til et relevant afprøvningssprog, men siger ikke, hvor præcist modellen håndterer dansk fagsprog eller dokumenter. Det er især væsentligt, når samme tjeneste skal arbejde med både sprog og billeder. Mistral beskriver eksempelvis analyse af satellitbilleder og tekniske tegninger; om en sådan funktion er nyttig, afhænger af de konkrete opgaver og krav til dokumentation af svar.

En pilot kan skille løfterne ad

En pilot med previewen kan give svar på modellens aktuelle kvalitet uden at foregribe en senere vægtudgivelse. Den bør samtidig holde vurderingen af svarene adskilt fra vurderingen af databehandling og driftskontrol. Det er netop de punkter, der afgør, om en stærk demonstrationsscore kan blive til en brugbar europæisk løsning.

• Fastlæg opgaver på dansk og de relevante kode-, dokument- eller billedtyper. Registrér version og vurderingskriterier, så ændringer i en senere udgave bliver synlige.
• Vurder de svar, som den faktiske API-preview giver, med den nødvendige faglige kontrol. En specialiseret benchmarkscore er et pejlemærke for testens opgave, ikke en erstatning for egne krav.
• Afklar for den valgte adgang, hvor input og output behandles, hvem der driver infrastrukturen, og hvilke muligheder der gælder for egen drift, når vægtene frigives.

Den næste milepæl er offentliggørelsen af modelvægtene og de lovede tekniske oplysninger senere i oktober. Da kan kunder sammenligne previewens resultater med en udgave, de selv kan undersøge og eventuelt installere, mens uafhængige ranglister får bedre grundlag for at vurdere Mistrals præstationspåstande.

Læs også:

• ChatGPT eller Perplexity til research? Kilderne kræver stadig kontrol
• Nordnet lancerer egne ETF’er i 2027 – pris og indeks er stadig ukendt
• Tech-ETF eller enkeltaktier? 143 selskaber kan stadig være koncentreret