Mistral Large 4 ma bilion parametrów, ale pełne wagi pojawią się później

W komunikacie z 6 października 2026 r. Mistral ogłosił publiczne preview Mistral Large 4, modelu o bilionie parametrów, i zapowiedział publikację pełnych wag pod koniec października po testach bezpieczeństwa; przedstawił też własne wyniki: 61,7% w DeepSWE v1.1 oraz 93% w Cybench. Preview działa przez API w Mistral Studio. Użytkownik może już wysłać modelowi tekst lub obraz i otrzymać odpowiedź tekstową, ale nie może jeszcze pobrać pełnych wag do uruchomienia modelu na własnej infrastrukturze.

W ocenie Artificial Analysis wersja preview uzyskała 38 punktów w Intelligence Index i 50 w Cyber Index, a promocyjna cena API wynosi 0,68 USD za milion tokenów wejściowych i 2,09 USD za milion wyjściowych; ceny standardowe to odpowiednio 1,36 USD i 4,18 USD. Są to wyniki zewnętrznego evaluatora dla udostępnionej wersji oraz stawki za usługę hostowaną przez Mistral. Publikacja wag pozostaje osobnym, przyszłym etapem premiery.

Co można uruchomić dziś, a na co trzeba poczekać

Najważniejsza różnica dotyczy sposobu dostępu. Publiczne preview pozwala korzystać z modelu za pośrednictwem infrastruktury dostawcy i rozliczać użycie według tokenów. Wagi są plikami potrzebnymi do samodzielnego wdrożenia; zapowiedź ich publikacji nie oznacza, że takie wdrożenie jest już dostępne. Cena API nie określa też przyszłego kosztu utrzymania modelu na własnym sprzęcie.

Na stronie wydania Mistral na Hugging Face widnieje status „Upcoming release” i przewidywana data 31 października 2026 r.; opis rozróżnia 49 mld parametrów aktywnych na token od 52 mld po doliczeniu warstw wejścia i wyjścia. Wyjaśnia to rozbieżność między wartościami pojawiającymi się w opisach modelu: odnoszą się do różnych zakresów liczenia. Data na stronie jest terminem oczekiwanym, a widoczny tam plan wydania nie jest jeszcze zestawem wag do pobrania.

• Dostęp dziś: publiczne preview przez API w Mistral Studio.
• Cena API: promocyjna stawka za tokeny wejściowe i wyjściowe; wyższa stawka standardowa.
• Architektura: multimodalny model mixture of experts, czyli MoE, z aktywowaną częścią parametrów.
• Języki: deklarowana obsługa ponad 160 języków, w tym języków urzędowych UE.
• Pełne wagi: zapowiedziane na koniec października, nadal niedostępne do samodzielnego uruchomienia.
• Benchmarki: osobno wyniki przedstawione przez producenta i pomiary Artificial Analysis dla preview.

Bilion parametrów nie oznacza biliona używanego przy każdym tokenie

Mistral Large 4 korzysta z architektury MoE: sieć składa się z części nazywanych ekspertami, a przy przetwarzaniu tokenu uruchamiana jest tylko ich część. Bilion opisuje skalę całego modelu, nie liczbę parametrów zaangażowanych jednocześnie w każdą odpowiedź. Wartość aktywna mówi więcej o pojedynczym przebiegu obliczeń, choć sama również nie wystarcza do wyliczenia szybkości ani kosztu działania.

Model przyjmuje tekst i obrazy, a zwraca tekst. To ważne doprecyzowanie słowa „multimodalny”: obsługa obrazu na wejściu nie oznacza generowania obrazów na wyjściu. W materiałach premierowych opisano również pracę z dokumentami, wykresami i zadaniami wymagającymi wskazania elementów obrazu. Przy ocenie tych możliwości trzeba jednak rozróżnić demonstracje dostawcy od pomiarów wykonanych przez zewnętrzną organizację.

Deklarowana wielojęzyczność obejmuje języki urzędowe Unii Europejskiej, więc jest istotna także dla odbiorców w Polsce. Sama lista języków nie podaje jednak jakości odpowiedzi w każdym z nich ani wyników osobnego testu polszczyzny. Podobnie liczba parametrów opisuje budowę modelu, a nie gwarantowany rezultat konkretnego zadania.

Skąd pochodzą wyniki testów

Dane z DeepSWE v1.1 i Cybench przedstawione przy premierze są wynikami producenta. Pierwszy test dotyczy zadań programistycznych, drugi zadań związanych z cyberbezpieczeństwem; procenty odnoszą się do różnych zestawów i nie tworzą wspólnej skali. Publiczny charakter zestawu testowego sam w sobie nie czyni opublikowanego przez dostawcę rezultatu niezależnym pomiarem.

Intelligence Index i Cyber Index pochodzą natomiast z oceny Artificial Analysis przeprowadzonej dla wersji preview. Pierwszy agreguje zadania dotyczące ogólnych zdolności modelu, drugi koncentruje się na wykrywaniu i naprawianiu problemów bezpieczeństwa w oprogramowaniu. Ich punktów nie należy zestawiać ze sobą tak, jakby mierzyły tę samą umiejętność. Wynik osiągnięty przez model dostępny dziś przez API nie jest również automatycznie wynikiem przyszłego wydania wag: przed jego publikacją Mistral nadal dopracowuje model.

W cyberbezpieczeństwie szczególnie istotne jest rozdzielenie zdolności wykonania zadania od zasad odmowy odpowiedzi. Model może sprawnie analizować podatność, a zarazem różnie reagować na polecenia, które mogłyby służyć nadużyciom. Zapowiedziane testy z partnerami zajmującymi się cyberbezpieczeństwem i wybranymi instytucjami dotyczą właśnie okresu poprzedzającego udostępnienie wag, po którym dostawca nie będzie kontrolował każdego samodzielnego wdrożenia.

Europejska infrastruktura i następny etap premiery

Model trenowano w europejskich centrach danych Mistral na układach NVIDIA Grace Blackwell; ta sama infrastruktura obsługuje publiczne preview. Firma opisuje także plan europejskiego wdrożenia, które ma prowadzić samodzielnie. Dla odbiorców z UE są to informacje o oferowanej usłudze, podczas gdy możliwość uruchomienia modelu we własnym środowisku zależy od późniejszej publikacji wag i warunków ich użycia.

Wraz z wagami zapowiedziano dalsze szczegóły architektury, dodatkowe benchmarki i opis metody dotrenowania. Ich publikacja pozwoli ocenić konfigurację dostępną do samodzielnego uruchomienia oraz porównać ją z wynikami obecnego preview. Do tego momentu publicznie dostępny jest przede wszystkim działający model przez API, a termin udostępnienia pełnych wag pozostaje zapowiedzią na koniec października.

Przeczytaj także:

• Mistral OCR czy Azure? Tańsza strona może oznaczać więcej kodu
• GLM-5.3 tworzy działający exploit w 12% prób — wagi są publiczne
• Claude znalazł układ podobny do CRISPR, ale jego funkcja pozostaje zagadką