Francuski Mistral AI opublikował 29 października 2026 roku na Hugging Face wagi modelu Mistral Large 4, nazywanego przez samą firmę „Le Chonk”, który ma około biliona parametrów i 52 mld parametrów aktywnych przy każdym kroku. W pierwszych niezależnych testach model wyprzedza otwartą konkurencję w części testów programistycznych, w zbiorczym Intelligence Index firmy Artificial Analysis zdobywa jednak tylko 26 punktów i wyraźnie ustępuje chińskim DeepSeek V4.1 Flash oraz GLM-5.3, które mają po 32 punkty.
- Mistral AI opublikował 29 października 2026 roku na Hugging Face wagi modelu Mistral Large 4, który ma około 1,05 biliona parametrów łącznie i 52 mld aktywnych na token, co czyni go największym modelem w historii francuskiej firmy.
- W Intelligence Index firmy Artificial Analysis Mistral Large 4 zdobywa 26 punktów, wyraźnie ustępując chińskim DeepSeek V4.1 Flash oraz GLM-5.3, które mają po 32 punkty, a Kimi K3.1 Pro osiąga aż 46 punktów.
- W testach programistycznych Terminal-Bench 4.0 Mistral Large 4 osiągnął wynik 41 proc. (wzrost z 28 proc. w wersji zapoznawczej), jednak przewaga wśród otwartych modeli może zniknąć po zapowiedzianej na 4 listopada 2026 roku publikacji wag Kimi K3.1 Pro, który w tym samym teście uzyskał 67 proc.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Mistral Large 4 trafia na Hugging Face po trzech tygodniach publicznych testów
Mistral pokazał Large 4 6 października 2026 roku jako publiczną wersję zapoznawczą dostępną przez API. Wagi, czyli pliki pozwalające uruchomić model na własnych serwerach, pojawiły się trzy tygodnie później. To największy model w historii francuskiej firmy.
Najważniejsze parametry Mistral Large 4:
- 1,05 bln parametrów łącznie, 52 mld aktywnych na token (49 mld bez warstw osadzeń i wyjściowych), architektura mixture-of-experts, w której przy każdym kroku pracuje tylko część sieci,
- wejście tekstowe i obrazowe, wyjście w postaci tekstu i kodu,
- okno kontekstu o długości 1 mln tokenów,
- trening na około 3800 procesorach graficznych Nvidia Grace Blackwell w Europie, na danych w ponad 160 językach,
- licencja Mistral Ecosystem Open-Weight License, czyli zmodyfikowana licencja MIT.
Uruchomienie modelu u siebie nie jest zadaniem dla małej firmy. Według dokumentacji frameworka SGLang standardowa wersja wymaga ośmiu układów Nvidia B300. Mocniej skompresowany wariant zmieści się na czterech GB300.
Od premiery wersji zapoznawczej Mistral dalej trenował model metodą uczenia ze wzmocnieniem. Badacze firmy Pierre Stock i Corentin Petit tłumaczyli dziennikarzom, że zespół sam budował coraz trudniejsze zadania treningowe, a granicą postępu jest dziś trudność zadań, które da się jeszcze stworzyć i sprawdzić. Stock, według Techstrong.ai wiceprezes Mistrala ds. nauki, przedstawił otwarte wagi jako kwestię niezależności od dostawców:
„Nie czuję się komfortowo w świecie, w którym otwarte wagi nie istnieją” / „I’m not comfortable living in a world in which open weights do not exist”
Large 4 prowadzi wśród otwartych modeli w kodowaniu i wyraźnie przegrywa z Claude Opus 5.5
Programowanie to obszar, w którym dodatkowy trening dał Mistralowi najwięcej. W Terminal-Bench 4.0 wynik wzrósł z 28 proc. w wersji zapoznawczej do 41 proc. w wersji finalnej. To minimalnie lepiej od GLM-5.3 (40 proc.).
| Test | Mistral Large 4 | Najbliższy otwarty rywal | Lider |
|---|---|---|---|
| Terminal-Bench 4.0 | 41 proc. | GLM-5.3: 40 proc. | Kimi K3.1 Pro: 67 proc. |
| Coding Agent Index (Artificial Analysis) | 48 pkt | GLM-5.3: praktycznie remis | Claude Code z Opus 5.5: 62 pkt |
| FrontierCode 2.0 (Cognition) | 19,7 proc. | najlepszy wynik wśród otwartych | Claude Opus 5.5: 46 proc. |
W Coding Agent Index Large 4 osiąga wynik zbliżony do GLM-5.3, zużywając przy tym, według Mistrala, o 47 proc. mniej tokenów. W ślepych porównaniach przeprowadzonych przez firmę Surge testerzy częściej wybierali kod Large 4 niż kod GLM-5.3, Kimi K3 i DeepSeeka. W starciu z Claude Opus 5.5 model Mistrala wygrał tylko 22 proc. pojedynków.
Przewaga Mistrala wśród otwartych modeli może okazać się krótka. Mistral nie uwzględnił w swoich porównaniach Kimi K3.1 Pro firmy Moonshot, bo jego wagi nie są jeszcze publiczne. Moonshot zapowiada ich udostępnienie do 4 listopada 2026 roku. Kimi K3.1 Pro prowadzi w Terminal-Bench 4.0 z wynikiem 67 proc.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
W cyberbezpieczeństwie Mistral Large 4 jest trzeci wśród otwartych modeli
Mistral reklamuje Large 4 jako najlepszy otwarty model do cyberobrony. Wykres opublikowany przez samą firmę pokazuje coś innego. W Cyber Index firmy Artificial Analysis, który sprawdza, czy model potrafi znaleźć, odtworzyć i załatać lukę w kodzie bez psucia działających funkcji, Large 4 ma 51 punktów. Przed nim są dwa otwarte modele: DeepSeek V4.1 Flash (57) i MiMo-V2.6-Pro (56). Cały ranking prowadzi Kimi K3.1 Pro z wynikiem 64.
Trzy tygodnie dodatkowego treningu dały tu tylko jeden punkt, bo wersja zapoznawcza miała 50. Do tego jedno zadanie w tym indeksie kosztuje z Large 4 średnio 1,21 dolara, wyraźnie więcej niż z wyżej ocenionym DeepSeek V4.1 Flash.
Lepiej wypada odmawianie szkodliwych próśb. Według Mistrala Large 4 odrzuca średnio 96,6 proc. złośliwych zapytań związanych z cyberatakami, najwięcej spośród otwartych modeli. Firma przyznaje jednocześnie, że model może ułatwić prawdziwe ataki, i zapowiada zaostrzenie zabezpieczeń w najbliższych miesiącach. Wybrani partnerzy, m.in. Orange Cyberdefense, testują specjalną wersję do testów penetracyjnych. Dostęp do niej wymaga weryfikacji i umowy z ograniczeniami.
Widzę w tej premierze dwie historie naraz. Pierwsza jest dobra: Europa ma wreszcie model z bilionem parametrów, który można pobrać, przeanalizować i uruchomić na własnej infrastrukturze, bez wysyłania danych do USA czy Chin. Dla banków, administracji i firm z sektorów regulowanych to realny argument.
Druga historia jest mniej wygodna. Mistral komunikuje przewagę tam, gdzie wybór porównań jest korzystny. „Najlepszy otwarty model do cyberobrony” jest w rzeczywistości trzeci na własnym wykresie firmy. Prowadzenie w kodowaniu może zniknąć za kilka dni, gdy Moonshot opublikuje wagi Kimi K3.1 Pro.
Zastanawia mnie też samo pojęcie suwerenności. Model wymagający ośmiu najnowszych układów Nvidii daje niezależność od dostawcy modelu. Od dostawcy sprzętu już nie. Uważam, że Large 4 to solidny krok i dobra baza pod wyspecjalizowane modele. Nie jest to jednak dowód, że europejskie laboratorium dogoniło czołówkę.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Artificial Analysis daje Mistral Large 4 26 punktów, chińskie modele mają po 32
Artificial Analysis opublikowało w środę piątą wersję swojego Intelligence Index i ocenia w niej finalny Large 4 w trybie wysokiego rozumowania na 26 punktów. Wersja zapoznawcza miała 25, więc trzy tygodnie dodatkowego treningu przełożyły się na jeden punkt. Nowy indeks składa się z dziewięciu testów, a trzy piąte jego wyniku opiera się na zadaniach, których treść lub rozwiązania nie są publiczne.
Na tle konkurencji wygląda to tak:
- Mistral Large 4: 26 pkt (mediana dla otwartych modeli podobnej wielkości: 23 pkt),
- MiMo-V2.6-Pro: 30 pkt,
- DeepSeek V4.1 Flash i GLM-5.3: po 32 pkt,
- Kimi K3.1 Pro (najlepszy model z zapowiedzianymi otwartymi wagami): 46 pkt,
- Claude Opus 5.5: 58 pkt,
- Gemini 4 Carbon firmy Google: 59 pkt (dostępny na razie tylko dla wybranych partnerów z branży cyberbezpieczeństwa).
Według Techstrong.ai wynik czyni Large 4 najlepszym otwartym modelem spoza Chin, przed m.in. Muse Spark Open firmy Meta. Dystans do chińskich liderów nie jest nowy. W poprzedniej wersji indeksu wersja zapoznawcza Large 4 miała 38 punktów, GLM-5.3 miał 45.
Mocną stroną Mistral Large 4 są szybkość i koszt. Model generuje 161 tokenów na sekundę (wersja zapoznawcza: 111), a w bezpośrednim porównaniu Artificial Analysis szybsze są tylko DeepSeek V4.1 Flash i Muse Wonder. Średni koszt jednego zadania z indeksu spadł z 5,54 do 2,06 dolara, czyli o 63 proc. To taniej niż GLM-5.3 (5,01 dolara) i Kimi K3.1 Pro (3,68 dolara). DeepSeek V4.1 Flash (0,60 dolara) i MiMo-V2.6-Pro (0,26 dolara) pozostają jednak kilkukrotnie tańsze.
Mistral zapowiadał też oszczędne gospodarowanie tokenami. W całym indeksie Large 4 wygenerował 110 mln tokenów wyjściowych wobec 150 mln w wersji zapoznawczej. Mediana dla porównywalnych modeli wynosi 100 mln, więc model nadal jest nieco bardziej gadatliwy od przeciętnej.
Mistral obniżył cenę API o połowę i dodał w licencji jeden warunek
Przez API Mistral Large 4 kosztuje 0,70 dolara za milion tokenów wejściowych i 2,10 dolara za milion tokenów wyjściowych. Cennik wersji zapoznawczej wynosił 1,36 i 4,18 dolara, choć przez dwa tygodnie po premierze obowiązywała promocja na poziomie 0,68 i 2,09 dolara. Kimi K3.1 Pro kosztuje dla porównania 2 dolary za wejście i 10 dolarów za wyjście.
Licencja pozwala bezpłatnie używać modelu, modyfikować go, dostrajać i wykorzystywać komercyjnie. Wyjątek dotyczy firm, które chcą sprzedawać dostęp do Large 4 jako usługę chmurową (Model-as-a-Service). Takie podmioty potrzebują osobnej licencji od Mistrala. Poprzednik, Mistral Large 3, był udostępniony na liberalnej licencji Apache 2.0 bez takiego zastrzeżenia.
Kto nie chce utrzymywać modelu samodzielnie, znajdzie go m.in. w Microsoft Foundry i OpenRouterze. Mistral przedstawia Large 4 jako fundament „suwerennej” AI: model wytrenowano w całości w Europie i można go uruchomić na własnych serwerach. Pozycja rynkowa firmy daje tej narracji pokrycie. We wrześniu 2026 roku Mistral pozyskał 3 mld euro w rundzie serii D prowadzonej przez Samsung Electronics, po której jest wyceniany na ponad 21 mld euro. Firma deklaruje współpracę z ponad 125 globalnymi przedsiębiorstwami w 20 krajach.
Mistral twierdzi, że działa przy ułamku zasobów, jakimi dysponują laboratoria w USA i Chinach, i że z dziesięciokrotnie większym kapitałem byłby w czołówce. Large 4 ma być bazą dla wyspecjalizowanych modeli firmy. O mniejszych wersjach Mistral na razie nie mówi.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Bielik i PLLuM wyrosły na małych modelach Mistrala, Large 4 to zupełnie inna skala
Polskie modele językowe mają z Mistralem więcej wspólnego, niż mogłoby się wydawać. Pierwszy Bielik 7B fundacji SpeakLeash powstał na architekturze Mistral-7B-v0.1. Modele PLLuM-12B rozwijane na zlecenie Ministerstwa Cyfryzacji oparto na Mistral-Nemo-Base-2407. PLLuM zasila dziś wirtualnego asystenta w aplikacji mObywatel, z której według NASK korzysta ponad 12 mln osób.
Mistral Large 4 nie zastąpi tych modeli w roli taniej bazy. Licencja formalnie pozwala na dostrajanie i komercyjne wykorzystanie. Infrastruktura potrzebna do uruchomienia biliona parametrów jest jednak poza zasięgiem większości polskich zespołów badawczych i firm. Moim zdaniem polskie organizacje skorzystają z Large 4 głównie przez API hostowane w Europie, co ma znaczenie dla instytucji, które nie mogą przesyłać danych poza Unię. Polscy operatorzy chmury, którzy chcieliby udostępniać model klientom jako usługę, muszą natomiast liczyć się z koniecznością podpisania osobnej umowy z Mistralem.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego komunikatu Mistral AI „Introducing Mistral Large 4” z dnia 06.10.2026, repozytorium modelu Mistral-Large-4-1T-A52B na Hugging Face z dnia 29.10.2026 oraz The Decoder. Dane porównawcze pochodzą z ocen Artificial Analysis, a informacje o licencji, treningu i finansowaniu zweryfikowano m.in. w Techstrong.ai i t3n. Dane o polskich modelach Bielik i PLLuM pochodzą z kart modeli oraz komunikatów NASK i Ministerstwa Cyfryzacji.
Cytat Pierre’a Stocka, wiceprezesa Mistral AI ds. nauki, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o Mistral Large 4 i publikacji wag Kimi K3.1 Pro.
