Francuski Mistral AI udostępnił 6 października 2026 roku publiczną wersję preview modelu Mistral Large 4, nazywanego nieoficjalnie „le Chonk”. To model typu mixture-of-experts z około 1 bln parametrów, z których przy każdym tokenie pracuje 49 mld. Obsługuje tekst i obrazy oraz ma kontekst do 1 mln tokenów. 29 października 2026 roku firma opublikowała na Hugging Face otwarte wagi ulepszonej wersji na licencji Mistral Ecosystem Open-Weight i obniżyła ceny API. Według Mistrala to najmocniejszy otwarty model spoza Chin, ale w programowaniu wciąż ustępuje najlepszym modelom zamkniętym.
Co zmieniło się 29 października
Aktualizacja z 29 października 2026 roku. Mistral opublikował wagi ulepszonej wersji Large 4 w repozytorium Mistral-Large-4-1T-A52B na Hugging Face. Według karty modelu to mixture-of-experts z ok. 1 bln parametrów, 128 ekspertami (4 aktywnymi przy każdym tokenie) i jednym ekspertem wspólnym. Przy tokenie pracuje ok. 49 mld parametrów, a po doliczeniu warstw wejściowych i wyjściowych 52 mld. Kontekst nadal wynosi 1 mln tokenów.
Model dostał trzy poziomy rozumowania: Low, Medium i High, przy czym High jest domyślny. Jest dostępny w API Mistrala i Mistral Studio, w OpenRouter, w Microsoft Foundry oraz jako punkty dostępowe i kontener NVIDIA. Do samodzielnego uruchomienia przykłady w karcie modelu zakładają serwer z 8 procesorami graficznymi i bibliotekę vLLM albo SGLang. Mistral udostępnił też skwantyzowaną wersję NVFP4 dla układów Blackwell, która zajmuje mniej pamięci.
Wraz z wagami firma podała nowe wyniki. Najważniejsze zmiany względem preview zestawiamy poniżej. Liczby pochodzą z komunikatu Mistrala i serwisu Artificial Analysis.
- Terminal-Bench 4.0 - 41 proc. wobec 28 proc. w preview, przy o 30 proc. mniejszej liczbie tokenów wyjściowych.
- Coding Agent Index Artificial Analysis - 48 proc., praktycznie remis z GLM-5.3 przy średnio o 47 proc. mniejszym zużyciu tokenów.
- FrontierCode 2.0 (prywatny test firmy Cognition) - 19,7 proc., najwyższy wynik wśród modeli otwartych. Claude Opus 5.5 uzyskuje według THE DECODER 46 proc.
- Odporność na ataki w teście B3 firmy Lakera - 97,1 proc. wobec 93,3 proc. w preview.
- Odmowa złośliwych poleceń z zakresu cyberbezpieczeństwa - średnio 96,6 proc. w JailbreakBench, StrongREJECT i AgentHarm.
Co Mistral pokazał 6 października
Mistral Large 4 (w komunikatach także ML4) to największy model w historii francuskiej firmy. Łączy w jednym modelu tryb zwykłych odpowiedzi i tryb rozumowania, obsługuje wywoływanie funkcji, ustrukturyzowane odpowiedzi i pracę agentową. Na wejściu przyjmuje tekst i obrazy, a dokumentacja wymienia enkoder wizyjny z 1,6 mld parametrów.
Architektura mixture-of-experts (MoE) oznacza, że model składa się z wielu wyspecjalizowanych bloków, a przy każdym tokenie uruchamia tylko część z nich. Dokumentacja podaje 1,05 bln parametrów łącznie i 49 mld aktywnych. Dzięki temu koszt obliczeń przy odpowiedzi jest bliższy modelowi z kilkudziesięcioma miliardami parametrów niż modelowi bilionowemu, choć do samodzielnego uruchomienia nadal potrzebny jest duży klaster.
Na razie dostępna jest wersja preview w API pod identyfikatorem mistral-large-4. Mistral zapowiadał wtedy, że do publikacji wag będzie dalej trenował model metodą uczenia ze wzmocnieniem. Według ZDNET wagi miały się ukazać 27 października, a ostatecznie trafiły na Hugging Face 29 października.
Wyniki wersji preview deklarowane przez Mistrala
Liczby z tej sekcji pochodzą od producenta albo z ewaluacji zleconych przez niego firmom zewnętrznym. Część testów programistycznych Artificial Analysis przeprowadziło prywatnie, zanim same narzędzia testowe zostały upublicznione. Te wyniki trzeba traktować jako deklarację producenta, a pierwszy niezależny pomiar opisujemy w kolejnej sekcji.
- Programowanie: 61,7 proc. w DeepSWE v1.1, 59,4 proc. w SWE-Atlas-QnA i 28,3 proc. w Terminal-Bench 4.0. Łączny Coding Agent Index wynosi 49,8 proc., więcej niż DeepSeek V4 Pro i Qwen3.8 Max.
- Cyberbezpieczeństwo: miejsce w pierwszej piątce Artificial Analysis Cyber Index, 82 proc. w teście odtworzenia i załatania prawdziwej luki oraz 93 proc. zadań w zestawie Cybench.
- Praca agentowa: 59,9 proc. w AutomationBench (657 procesów biznesowych w aplikacjach takich jak Gmail, Arkusze Google, Slack i Salesforce) i 1393 pkt Elo w AA-Briefcase.
- Obraz: 42 proc. w teście lokalizowania obiektów Dense 200 wobec 41 proc. GPT-6 Astra.
- Odporność: 93,3 proc. odpartych ataków w teście B3 firmy Lakera, sprawdzającym m.in. pośrednie wstrzykiwanie poleceń.
Niezależny wynik w rankingu Artificial Analysis
Aktualizacja z 9 października 2026 roku. Firma badawcza Artificial Analysis opublikowała własny pomiar wersji preview w zbiorczym Intelligence Index, który łączy testy wiedzy, rozumowania, programowania i pracy agentowej. Mistral Large 4 uzyskał 38 pkt. To wynik wyraźnie powyżej mediany porównywalnych modeli (26 pkt), ale w zestawieniu 226 modeli daje dopiero 64. miejsce.
Na tle modeli z otwartymi wagami Large 4 wypada słabiej, niż sugerował komunikat producenta. Według kart modeli Artificial Analysis MiMo-V2.6-Pro od Xiaomi ma 46 pkt, GLM-5.3 od Z.ai 45 pkt, Kimi K3 od Moonshot AI 44 pkt, a DeepSeek V4.1 Flash 39 pkt. Serwis Trending Topics, który przeanalizował pełną listę, wylicza siedem chińskich modeli otwartych z wyższym wynikiem. Large 4 pozostaje więc najmocniejszym otwartym modelem spoza Chin, ale nie liderem całej kategorii.
Pomiar pokazuje też koszt pracy modelu. Podczas testów Large 4 wygenerował ok. 200 mln tokenów przy medianie 81 mln, co Artificial Analysis określa jako bardzo rozwlekłe odpowiedzi. Mimo to średni koszt jednego zadania z indeksu wyniósł 1,13 USD (ok. 4,42 zł po kursie NBP z 8 października 2026 roku, 1 USD = 3,9132 zł). To mniej niż w przypadku GLM-5.3 i Kimi K3, ale więcej niż przy DeepSeek V4.1 Flash i MiMo-V2.6-Pro.
Aktualizacja z 29 października 2026 roku. Artificial Analysis zmierzył już wersję z otwartymi wagami, ale w nowej wersji indeksu (v5.0), która ma inną skalę. Wyników z obu wersji nie należy więc porównywać wprost. W v5.0 Large 4 ma 26 pkt wobec mediany 23 pkt dla podobnych modeli otwartych. DeepSeek V4.1 Flash i GLM-5.3 mają po 32 pkt, MiMo-V2.6-Pro 30 pkt, a najlepszy model otwarty, Kimi K3.1 Pro, 46 pkt. Nowa wersja generuje 161 tokenów na sekundę i zużyła w teście 110 mln tokenów. Koszt jednego zadania wyniósł 2,06 USD (ok. 8,13 zł po kursie NBP z 29 października 2026 roku). Według THE DECODER wersja preview kosztowała w tej samej metodologii 5,54 USD za zadanie.
- MiMo-V2.6-Pro (Xiaomi) - 46 pkt.
- GLM-5.3 (Z.ai) - 45 pkt.
- Kimi K3 (Moonshot AI) - 44 pkt.
- DeepSeek V4.1 Flash (DeepSeek) - 39 pkt.
- Mistral Large 4 Preview (Mistral AI) - 38 pkt, koszt 1,13 USD za zadanie (pomiar z 9 października, poprzednia wersja indeksu).
Dlaczego Mistral stawia na cyberbezpieczeństwo
Najmocniej eksponowanym zastosowaniem jest obrona przed atakami. Mistral wskazuje, że w teście odtworzenia znanej luki Claude Opus 5.5 i GPT-6 Astra uzyskują wynik bliski zera, bo odmawiają wykonania zadania. Firma przekonuje, że zespoły bezpieczeństwa potrzebują modelu, który mogą uruchomić u siebie, na własnych zasadach i bez ryzyka, że dostawca odetnie dostęp w trakcie incydentu.
Współzałożyciel i główny naukowiec Mistrala Guillaume Lample powiedział CNBC, że możliwości modelu w obronie mają pomóc firmom i państwom chronić się przed przestępcami, którzy obchodzą zabezpieczenia modeli zamkniętych. Jednocześnie producent podaje, że Large 4 częściej niż inne otwarte modele odmawia wykonania złośliwych poleceń z zestawów JailbreakBench, StrongREJECT i AgentHarm.
Ta druga deklaracja ma ograniczoną wagę. Po publikacji wag każdy będzie mógł dostroić model i osłabić jego zabezpieczenia. Dlatego Mistral przez kilka tygodni testował go z partnerami, w tym z instytucjami państwowymi, które dostają wersję ze złagodzoną moderacją i rozszerzonymi funkcjami bezpieczeństwa.
Przy publikacji wag Mistral poinformował, że model odmawiał ataków na działające systemy, ale firma dostrzegła ryzyko, że może ułatwić prawdziwe ataki, i dlatego zmienia zabezpieczenia. Wersję do testów penetracyjnych i red teamingu dostają tylko sprawdzeni partnerzy, m.in. Orange Cyberdefense, na podstawie umowy, która pozwala testować wyłącznie własne lub autoryzowane systemy. Według komunikatu model sprawdza też ENISA, unijna agencja ds. cyberbezpieczeństwa, m.in. do audytu kodu i analizy logów.
Ile kosztuje Mistral Large 4 w API
Wraz z publikacją wag Mistral ustalił nowy, stały cennik, niemal równy dotychczasowej promocji. W wersji preview cennik katalogowy wynosił 1,36 USD za 1 mln tokenów wejściowych i 4,18 USD za 1 mln tokenów wyjściowych, a przez dwa tygodnie obowiązywały stawki niższe o połowę. Cennik nie zawiera informacji o VAT. Przeliczenia wykonaliśmy po średnim kursie NBP z 29 października 2026 roku (tabela 211/A/NBP/2026, 1 USD = 3,9473 zł).
- Wejście: 0,70 USD (ok. 2,76 zł) za 1 mln tokenów.
- Wejście z pamięci podręcznej: 0,07 USD (ok. 0,28 zł) za 1 mln tokenów.
- Wyjście: 2,10 USD (ok. 8,29 zł) za 1 mln tokenów.
- Przykład: zespół, który miesięcznie wysyła 10 mln tokenów i odbiera 2 mln, zapłaci ok. 11,20 USD (ok. 44 zł). Według dawnego cennika katalogowego preview byłoby to ok. 21,96 USD.
Co Large 4 oznacza dla firm w Polsce
Dla polskich firm najważniejsze są dwie cechy. Pierwsza to język: według Mistrala znaczną część danych treningowych stanowiły teksty w ponad 160 językach, w tym we wszystkich językach urzędowych UE, a więc także po polsku. Producent nie opublikował jednak wyników testów dla polszczyzny, więc przed wdrożeniem warto sprawdzić model na własnych dokumentach.
Druga cecha to miejsce przetwarzania danych. Mistral zapowiada udostępnienie modelu w kilku regionach świata, w tym w regionie europejskim, który obsługuje samodzielnie, niezależnie od innych dostawców usług cyfrowych i zgodnie z prawem UE. Od 29 października można też uruchomić model we własnej serwerowni lub w prywatnej chmurze, o ile firma ma serwer z ośmioma wydajnymi procesorami graficznymi. Opisaliśmy już, jak skonfigurować dotychczasowe modele firmy w regionie UE.
W naszej ocenie Large 4 jest najciekawszy dla banków, kancelarii, administracji i zespołów bezpieczeństwa, które nie mogą wysyłać danych do amerykańskich dostawców. Dla zwykłego użytkownika czatu zmiana będzie mniej odczuwalna, bo w programowaniu i pracy ogólnej najlepsze modele zamknięte nadal mają przewagę.
Licencja otwartych wag i AI Act
Wagi ukazały się na licencji Mistral Ecosystem Open-Weight, którą firma opisuje jako zmodyfikowaną licencję MIT. Pozwala ona używać, modyfikować, dostrajać i komercyjnie wdrażać model, także we własnych produktach. Wyjątkiem są firmy, które chcą oferować Large 4 jako usługę (Model-as-a-Service), np. dostawcy chmury sprzedający dostęp przez API. One muszą wcześniej uzyskać osobną licencję komercyjną od Mistrala. To mniej swobodne warunki niż Apache 2.0, na której ukazał się Reflection Beam.
Licencja ma znaczenie także prawne. AI Act zwalnia dostawców modeli ogólnego przeznaczenia publikowanych na wolnej licencji z części obowiązków dokumentacyjnych (art. 53 ust. 2), ale zwolnienie nie dotyczy modeli o ryzyku systemowym. Mistral nie podał, ile mocy obliczeniowej zużył trening, więc nie wiadomo, czy Large 4 przekracza próg domniemania ryzyka systemowego z art. 51. Nie jest też przesądzone, czy licencja z ograniczeniem dla dostawców usług spełnia warunki wolnej licencji w rozumieniu AI Act. W naszej ocenie firma wdrażająca model u siebie powinna przeanalizować warunki licencji i kartę modelu na Hugging Face przed użyciem produkcyjnym.
Ograniczenia i niewiadome
Publikacja wag wyjaśniła licencję, cenę i podstawowe wymagania sprzętowe. Kilka kwestii nadal pozostaje otwartych, a część porównań w komunikacie obejmuje tylko modele otwarte.
- Brak wyników dla języka polskiego. Karta modelu wymienia wszystkie języki urzędowe UE, ale nie podaje testów dla polszczyzny.
- Brak minimalnych wymagań pamięci. Karta modelu podaje tylko przykłady konfiguracji z 8 procesorami graficznymi.
- Wyniki z poprzedniej i nowej wersji indeksu Artificial Analysis (38 i 26 pkt) mają różne skale i nie świadczą o pogorszeniu modelu.
- Mistral zmienia zabezpieczenia przed użyciem modelu do ataków, ale nie opisał, na czym polega zmiana.
- CNBC i ZDNET podają ok. 4000 układów użytych do treningu, a komunikat Mistrala 3800.
Large 4 na tle rynku otwartych modeli
Premiera wpisuje się w wyścig o otwarte modele, w którym od miesięcy prowadzą chińskie laboratoria, m.in. DeepSeek, Moonshot (Kimi) i Z.ai (GLM). Dzień wcześniej amerykańska Reflection AI pokazała Beam z 501 mld parametrów, a Large 4 jest od niego mniej więcej dwa razy większy. To także pierwszy duży efekt rundy D, w której Mistral pozyskał we wrześniu 3 mld euro przy wycenie 21 mld euro.
Firmy, które chcą przetestować model, mogą skorzystać z API w Mistral Studio albo pobrać wagi z Hugging Face. Rozsądną praktyką jest porównanie go na kilku własnych zadaniach z modelem, którego używają obecnie, z uwzględnieniem kosztu tokenów i miejsca przetwarzania danych. Przy wdrożeniu lokalnym trzeba doliczyć koszt serwera z ośmioma procesorami graficznymi i sprawdzić warunki licencji.
Źródła i data sprawdzenia
- Le Chonk: Built for Coders, Trusted by DefendersMistral AI, publikacja: 2026-10-29, sprawdzono: 2026-10-29
- mistralai/Mistral-Large-4-1T-A52B - karta modelu i licencjaHugging Face, publikacja: 2026-10-29, sprawdzono: 2026-10-29
- Paris-based Mistral releases "Le Chonk," a strong coding model that still trails China overallTHE DECODER, publikacja: 2026-10-29, sprawdzono: 2026-10-29
- Kursy średnie walut obcych - tabela 211/A/NBP/2026 (USD)Narodowy Bank Polski, publikacja: 2026-10-29, sprawdzono: 2026-10-29
- Introducing Mistral Large 4Mistral AI, publikacja: 2026-10-06, sprawdzono: 2026-10-06
- Mistral Large 4 - model cardMistral AI Docs, publikacja: 2026-10-06, sprawdzono: 2026-10-06
- Mistral unveils new AI model it says rivals best open systems from ChinaCNBC, publikacja: 2026-10-06, sprawdzono: 2026-10-06
- Mistral's new Le Chonk model brings AI cybersecurity to your business - and you control itZDNET, publikacja: 2026-10-06, sprawdzono: 2026-10-06
- Mistral Large 4 - Intelligence, Performance & Price AnalysisArtificial Analysis, publikacja: 2026-10-29, sprawdzono: 2026-10-29
- Mistral Large 4 on Artificial Analysis: Eighth Among Open ModelsTrending Topics, publikacja: 2026-10-06, sprawdzono: 2026-10-09
- Rozporządzenie (UE) 2024/1689 - akt w sprawie sztucznej inteligencji (art. 51 i 53)EUR-Lex, publikacja: 2024-07-12, sprawdzono: 2026-10-06
- Kursy średnie walut obcych - tabela 194/A/NBP/2026Narodowy Bank Polski, publikacja: 2026-10-06, sprawdzono: 2026-10-06
- Kursy średnie walut obcych - tabela A nr 196/A/NBP/2026 (USD)Narodowy Bank Polski, publikacja: 2026-10-08, sprawdzono: 2026-10-09
Artykuł ma charakter informacyjny. Przy decyzjach prawnych, finansowych lub organizacyjnych warto zweryfikować wnioski w odniesieniu do konkretnej sytuacji.



