Mistral выложила веса Large 4 и закрепила цену API на уровне скидки превью
Le Chonk догнала GLM-5.3 в агентном кодинге при вдвое меньшем расходе токенов, но в общем индексе Artificial Analysis уступает китайским открытым моделям.
Mistral 29 октября выложила веса своей флагманской модели Mistral Large 4, она же Le Chonk, и закрепила цену API на уровне превью со скидкой: базовый тариф превью был вдвое выше. Теперь модель на 1 трлн параметров можно скачать с Hugging Face, дообучить и встроить в свой продукт, в том числе коммерческий, а через API она стоит $0,70 за миллион входных токенов и $2,10 за миллион выходных.
Для программиста это ещё один кандидат в агентный кодинг с открытыми весами, заметно экономнее по токенам, чем лидер группы GLM-5.3. Независимый замер Artificial Analysis подтверждает, что в агентных задачах модель почти догнала GLM-5.3, но в общем индексе по-прежнему уступает лучшим китайским открытым моделям. Для локального запуска нужна машина минимум с 256 ГБ памяти: самый сжатый квант весит 233 ГБ.
Ключевые выводы
- Веса Mistral Large 4 опубликованы 29 октября 2026 года, через три недели после превью; всё это время модель дообучали с подкреплением.
- В Coding Agent Index Artificial Analysis у Large 4 в режиме high 48 баллов против 49 у GLM-5.3, при этом на задачу уходит 8,5 млн токенов против 15,9 млн.
- В общем Intelligence Index v5 у модели 26 баллов: лучший результат среди открытых моделей не из Китая, но на 6 баллов ниже DeepSeek V4.1 Flash 1017 и GLM-5.3.
- Лицензия — модифицированная MIT: отдельный договор с Mistral нужен компаниям, которые сами или через аффилированные компании дают доступ к модели как к сервису.
- API стоит $0,70 и $2,10 за миллион входных и выходных токенов; самый сжатый GGUF от Unsloth занимает 233 ГБ и требует около 256 ГБ памяти.
Насколько Large 4 сильна в кодинге по сравнению с конкурентами?
В агентном кодинге модель вышла на уровень лучших открытых моделей, но не обогнала их по качеству. Главный аргумент Mistral — экономия токенов. В анонсе компания приводит замеры Artificial Analysis, независимой лаборатории, которая сама прогоняет модели на наборах задач. В её Coding Agent Index, где модель работает внутри агента и решает задачи из FrontierCode, SWE-Atlas и Terminal-Bench 4.0, Large 4 в режиме high набрала 48 баллов, а лидер открытых моделей GLM-5.3 — 49. Расход при этом разный: в среднем 8,5 млн токенов на задачу у Mistral и 15,9 млн у GLM, то есть на 47% меньше.
На Terminal-Bench 4.0 внутри того же индекса Large 4 решила 41% задач, GLM-5.3 — 40%, DeepSeek V4.1 Flash 1017 — 31%, Kimi K3 — 21%. По словам Mistral, к превью результат вырос на 13 процентных пунктов, а выходных токенов стало на 30% меньше; 28% у превью компания мерила сама.
Здесь важна оговорка. Coding Agent Index оценивает связку модели и агентной обвязки: Large 4 работала в Mistral Vibe, CLI-агенте Mistral, GLM-5.3 — в Opencode. В основном Intelligence Index все модели идут в одной обвязке, и там у Large 4 на Terminal-Bench 4.0 только 25%, у GLM-5.3 — 42%. Почему харнесс меняет результат при тех же весах, мы разбирали в материале о цене решённой задачи у GLM-5.3, Sol и Opus.
Остальные цифры Mistral — собственные или партнёрские. На закрытом FrontierCode 2.0 от Cognition у Large 4 19,7% против 19,3% у DeepSeek V4.1 Flash и 17,8% у GLM-5.3. В слепом сравнении кода от Surge асессоры предпочли Large 4 в 64% пар против GLM-5.3 и Kimi K3, но против Claude Opus 5.5 — только в 22%.
Для сравнения: в превью 6 октября модель в Terminal-Bench 4 заметно отставала от GLM-5.3, а отдельной новости о превью на Tproger не выходило.
Что показывают независимые замеры Artificial Analysis?
Общая картина спокойнее, чем в анонсе. В разборе релиза Artificial Analysis пишет, что Large 4 набрала 26 баллов в Intelligence Index v5, на 1 балл больше превью. Это лучший результат среди открытых моделей, созданных вне Китая: ближайшая американская Muse Spark Open от Meta набирает 25. Но DeepSeek V4.1 Flash 1017 и GLM-5.3 опережают Large 4 на 6 баллов, а всего, по подсчёту Artificial Analysis, выше неё семь открытых моделей, все из Китая.
Отставание лаборатория объясняет слабым кодом и офисными агентными задачами: в её прогоне FrontierCode 2.0 у Large 4 15% против 29% у DeepSeek и 22% у GLM-5.3. Зато модель стала экономнее: 82 тыс. выходных токенов на задачу против 135 тыс. у превью, а доля галлюцинаций в AA-Omniscience упала с 41% до 28%.
Mistral Large 4 теперь с открытыми весами, и это с небольшим отрывом лучшая открытая модель, разработанная за пределами Китая.
По кибербезопасности Large 4 набрала 51 балл в Cyber Index и стала третьей среди открытых моделей после DeepSeek V4.1 Flash 1017 (57) и MiMo-V2.6-Pro от Xiaomi (56). В тесте, где нужно воспроизвести реальную уязвимость в открытом ПО и закрыть её, у модели 82%, пишет Hugging Face; несколько закрытых моделей, по данным Mistral, там отказываются от задачи. Вредоносные запросы модель отклоняет в 96,6% случаев, но долю ложных отказов на легитимных задачах Mistral не привела, на что обратили внимание на Hacker News. Сама компания признаёт, что в живом трафике превью видела потенциальную помощь реальным атакам, и ужесточает фильтры.
Как устроена модель и сколько у неё активных параметров?
Large 4 — смесь экспертов (MoE): на каждый токен работает лишь малая часть сети. В карточке модели указано около 1 трлн параметров всего (Artificial Analysis уточняет: 1,05 трлн) и 49 млрд активных на токен. Если считать вместе с эмбеддингами и выходным слоем, активных 52 млрд, отсюда A52B в названии репозитория. Обе цифры верны, просто считают разное: 49 млрд — это то, что реально участвует в вычислениях внутри слоёв.
- 128 маршрутизируемых экспертов, из которых на токен выбираются 4, плюс 1 общий эксперт, который работает всегда.
- Внимание сочетает MLA, сжатое представление KV-кэша, с разреженным индексатором DSA, который выбирает для каждого запроса до 2048 позиций контекста; этот приём раньше применили DeepSeek и GLM-5.3.
- Контекст 1 млн токенов (1 048 576), на вход текст и изображения через энкодер Pixtral на 1,6 млрд параметров, на выходе текст.
- В чекпоинт встроена драфт-голова DSpark для спекулятивного декодирования, по замеру Mistral она ускоряет выдачу до 1,9 раза без изменения ответов; уровни рассуждений — low, medium и high, отключить рассуждения нельзя.
Модель обучали с нуля на 3800 GPU NVIDIA Grace Blackwell в дата-центрах Mistral в Европе, она поддерживает больше 160 языков. Официальных вариантов весов два, FP8 и NVFP4 для Blackwell; технический отчёт обещают позже.
Кому по лицензии нужен отдельный договор с Mistral?
Модель вышла под Mistral Ecosystem Open-Weight License, это переделанная MIT. Простыми словами, веса можно бесплатно использовать, копировать, дообучать, распространять и встраивать в платные продукты, если сохранять уведомление об авторских правах. Ограничение одно: если лицензиат или любая его аффилированная компания ведёт бизнес Model-as-a-Service, лицензиату нужен отдельный договор с Mistral до любого коммерческого использования модели или её производных.
Под Model-as-a-Service лицензия понимает доступ третьих лиц к модели или её производным для инференса или дообучения, например через API, когда клиент существенно управляет запросами, параметрами или данными. Договор не нужен в трёх случаях, которые перечисляет лицензия:
- внутреннее использование, когда модель недоступна внешним пользователям, например агент для своей команды;
- продукт, где модель встроена в конкретные функции и клиент не получает к ней прямого доступа, например ассистент в вашем SaaS;
- переадресация запросов к модели, которую хостит кто-то другой, и работа через официальные продукты Mistral.
Договор понадобится провайдерам инференса и сервисам, которые продают API к Large 4 или её дообученным версиям. На Hacker News это критикуют: «называть это open weight вводит в заблуждение», пишет автор самого обсуждаемого комментария и предлагает термин weight-available. Mistral Large 3 выходила под Apache 2.0.
Сколько стоит API и какое железо нужно для запуска?
В API Mistral модель называется mistral-large-4 и стоит $0,70 за миллион входных токенов, $0,07 за кэшированный вход и $2,10 за миллион выходных. Это почти столько же, сколько превью стоило со скидкой 50%: тогда полная цена была $1,36 и $4,18, со скидкой выходило $0,68 и $2,09. По подсчёту Artificial Analysis, одна задача Intelligence Index теперь стоит $2,06 против $5,54 у превью. DeepSeek V4.1 Flash 1017 и MiMo-V2.6-Pro там же обходятся в $0,60 и $0,26.
Цена токена ещё не цена работы, поэтому мы сопоставили баллы Coding Agent Index со средней стоимостью задачи из данных Artificial Analysis. У Large 4 в режиме high задача стоит $1,26 при 48 баллах, у GLM-5.3 — $5,23 при 49, у Claude Opus 5.5 в Claude Code — $11,42 при 62. Large 4 попадает на Парето-фронт рядом с закрытой GPT-6.1 Terra (xhigh, 48 баллов за $0,69); самая дешёвая открытая точка — DeepSeek V4.1 Flash 1017, 46 баллов за $0,30.
Со своим железом всё упирается в память. Для полной FP8-версии Mistral рекомендует vLLM на узле из 8 GPU; на 8 H200 модель, по замеру Hugging Face, выдаёт около 65 токенов в секунду на запрос. Unsloth выпустила GGUF-кванты для llama.cpp и замерила их расхождение с полной моделью:
- UD-IQ1_S, 1 бит: 233 ГБ, совпадение самого вероятного токена с полной моделью (Top-1 agreement) 90,6%; нужно около 256–270 ГБ RAM и VRAM вместе, например Mac Studio на 256 ГБ или две DGX Spark.
- UD-IQ2_XXS и UD-Q2_K_XL, 2 бита: 302 и 378 ГБ, 93,9% и 95,6%; память 310–390 ГБ.
- UD-Q4_K_XL, 4 бита: 605 ГБ, 97,8%; память около 630 ГБ.
- UD-Q8_K_XL, 8 бит: 1115 ГБ, практически полная точность; нужно 1,2 ТБ и больше.
Скорость при этом невысокая. В замерах Hugging Face 2-битный Q2_K на Mac Studio с M3 Ultra генерировал около 15 токенов в секунду, а на четырёх RTX 6000 Pro квант IQ2_XXS выдавал 30 токенов в секунду на коротком контексте и около 3 на длинном. Для чата хватит, для агентных сессий нет. Общие принципы локального запуска — в материале о запуске Llama и Mistral на Mac и Windows.
Что говорят разработчики и эксперты?
Тред о релизе на Hacker News за первые часы набрал больше 700 очков и почти 200 комментариев. Больше всего спорят о лицензии и цене: один из пользователей пишет, что превью по старому прайсу было неконкурентным, а новая цена «требует серьёзной переоценки». Другие сомневаются, что модель догоняет китайских конкурентов.
Главный аргумент Mistral — суверенитет: модель можно развернуть у себя и не зависеть от чужого API. Вице-президент Mistral по науке Пьер Сток объяснил это так, передаёт Martin Cid Magazine со ссылкой на Wired.
ИИ станет как электричество. Вы не хотите жить в мире, где сосед может отключить вам электричество в любой день.
Обратную сторону открытых весов с сильными кибернавыками подчёркивает Рейф Пиллинг, старший директор по анализу угроз в Sophos, которого издание также цитирует по Wired: «это явно технология двойного назначения» (перевод редакции).
Что делать, если хотите попробовать?
- Проще всего начать с API: модель доступна в Mistral Studio, через API как
mistral-large-4, на OpenRouter, в Microsoft Foundry и через NVIDIA NIM. Mistral рекомендует temperature 1.0 и top_p 0.95 для всех уровней рассуждений. - Для агентного кодинга выставляйте reasoning_effort high: на medium модель в Coding Agent Index падает с 48 до 35 баллов, хотя задача дешевеет с $1,26 до $0,78.
- Перед переходом прогоните свои задачи в своей обвязке. Результат 41% на Terminal-Bench 4.0 получен в Mistral Vibe; в общей обвязке Artificial Analysis у модели 25%.
Mistral называет Large 4 основой для следующего поколения своих специализированных моделей, но сроков не называет. Дальше стоит ждать технический отчёт и независимые прогоны квантованных версий: пока почти все сильные цифры по коду и безопасности получены самой Mistral или её партнёрами.
Источники: Mistral: Mistral Large 4 (Le Chonk) is now open weight, Hugging Face: карточка mistralai/Mistral-Large-4-1T-A52B, Текст лицензии Mistral Ecosystem Open-Weight License, Hugging Face: Welcome Le Chonk, Mistral Large 4 on Hugging Face, Unsloth: GGUF-кванты Mistral Large 4, Unsloth: как запустить Mistral Large 4 локально, Artificial Analysis: разбор Mistral Large 4 в X, Artificial Analysis: Mistral Large 4, Artificial Analysis: Coding Agent Index, OpenRouter: Mistral Large 4, TestingCatalog: Mistral opens Large 4 weights for coding and security, Martin Cid Magazine: Mistral Large 4 is free to download, and it fits on one $22,299 Mac, Hacker News: обсуждение релиза весов, «Нейроканал»: превью Mistral Large 4
Изображение на обложке: Mistral
