Mistral AI udostępnił 29 października 2026 r. wagi modelu Mistral Large 4, nazywanego nieoficjalnie Le Chonk, który ma około biliona parametrów i według producenta jest najlepszym otwartym modelem do programowania. Najmniejsza skompresowana wersja do uruchomienia na własnym sprzęcie zajmuje 298 GB, więc zmieści się dopiero w komputerze z 512 GB pamięci, takim jak Mac z układem M3 Ultra.
- Mistral AI udostępnił 29 października 2026 r. wagi modelu Mistral Large 4, liczącego około biliona parametrów, który przez trzy dodatkowe tygodnie treningu uczeniem ze wzmocnieniem poprawił wynik w teście Terminal-Bench 4.0 z 28 do 41 proc., zużywając przy tym o 30 proc. mniej tokenów wyjściowych.
- Najmniejsza skompresowana wersja modelu (IQ2_XXS) zajmuje 298 GB i wymaga do działania sprzętu takiego jak cztery karty RTX 6000 Pro lub Mac z układem M3 Ultra i 512 GB pamięci, co ogranicza lokalne uruchomienie do dużych organizacji dysponujących kosztowną infrastrukturą.
- Mistral przyznał w komunikacie, że model może ułatwić prowadzenie prawdziwych cyberataków, a kilka dni po premierze na Hugging Face pojawiła się przygotowana przez zespół AtomicChat wersja Mistral-Large-4-1T-A52B-Uncensored z usuniętym mechanizmem odmawiania odpowiedzi.
Wagi można pobrać bezpłatnie z Hugging Face i uruchomić bez łączenia się z serwerami Mistrala. Licencja pozwala na użycie komercyjne. Jedyny wyjątek dotyczy firm, które same sprzedają dostęp do modeli jako usługę.
Wywiad Hugging Face z Pierre’em Stockiem, wiceprezesem Mistral AI ds. badań, o możliwościach modelu w cyberbezpieczeństwie: https://www.youtube.com/watch?v=FczbSauVvjw
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Mistral Large 4 trafił na Hugging Face po trzech tygodniach dodatkowego treningu
Wersja z otwartymi wagami jest mocniejsza od tej, którą Mistral pokazał 6 października w publicznym podglądzie przez API. W ciągu trzech tygodni firma kontynuowała trening uczeniem ze wzmocnieniem (reinforcement learning). Według Mistrala przyniosło to duży postęp w programowaniu i obronnym cyberbezpieczeństwie. Producent dodaje, że wyniki nadal rosną i nie widać jeszcze granicy.
Najlepiej widać to na teście Terminal-Bench 4.0, który sprawdza pracę modelu w terminalu. Wersja podglądowa uzyskała w nim 28 proc., obecna ma 41 proc., czyli o 13 punktów procentowych więcej. Model zużywa przy tym o 30 proc. mniej tokenów wyjściowych.
Najważniejsze parametry Mistral Large 4:
- architektura Mixture-of-Experts (MoE, mieszanka ekspertów): 128 wyspecjalizowanych podsieci, z których router wybiera 4 dla każdego tokenu, plus jeden ekspert wspólny działający zawsze,
- około biliona parametrów łącznie i ok. 52 mld aktywnych na token (Hugging Face podaje 49 mld, różnica wynika ze sposobu liczenia warstw osadzeń i warstwy wyjściowej),
- okno kontekstu do 1 mln tokenów,
- wejście tekstowe i obrazowe dzięki enkoderowi wizyjnemu Pixtral o 1,6 mld parametrów,
- trzy poziomy rozumowania: niski, średni i wysoki (domyślny); rozumowania nie da się całkowicie wyłączyć,
- trening od zera na 3800 procesorach graficznych NVIDIA Grace Blackwell we własnych europejskich centrach danych Mistrala,
- dane treningowe w ponad 160 językach, w tym we wszystkich językach urzędowych Unii Europejskiej.
Mixture-of-Experts ogranicza liczbę obliczeń na pojedynczy token. Nie zmniejsza natomiast zapotrzebowania na pamięć. Wszystkie 128 ekspertów musi być stale dostępnych, bo model dobiera ich na bieżąco do każdego fragmentu tekstu.
Najmniejsza wersja Mistral Large 4 zajmuje 298 GB
Oficjalnie Mistral udostępnił dwa warianty: FP8 i oszczędniejszy NVFP4, przeznaczony dla kart NVIDIA z architekturą Blackwell. Zespół llama.cpp przygotował dodatkowo skompresowane pliki GGUF, które można uruchamiać na komputerach Apple’a i kartach różnych producentów. Rozmiary wag według repozytorium ggml-org i wydajność zmierzona przez Hugging Face wyglądają tak:
| Wariant | Rozmiar wag | Sprzęt i wydajność według Hugging Face |
|---|---|---|
| BF16 | 2,1 TB | wersja do dalszych konwersji |
| Q8_0 | 1,12 TB | wymaga obliczeń rozproszonych |
| Q4_K_M | 635 GB | wymaga obliczeń rozproszonych |
| Q2_K | 381 GB | jeden Mac z M3 Ultra i 512 GB pamięci: ok. 90 tokenów/s przy wczytywaniu promptu, ok. 15 tokenów/s przy generowaniu |
| IQ2_XXS | 298 GB | 4 karty RTX 6000 Pro: ok. 30 tokenów/s przy krótkim kontekście, ok. 3 tokeny/s przy długim |
Na czterech kartach RTX 6000 Pro wariant NVFP4 z kontekstem 32 tys. tokenów generował ok. 10 tokenów na sekundę. W chmurze Hugging Face przygotował gotową konfigurację na ośmiu kartach NVIDIA H200 z wagami FP8. W niej model odpowiada z prędkością ok. 65 tokenów na sekundę dla pojedynczego zapytania. Według The Next Web wersja skwantyzowana działa na czterech kartach NVIDIA B200 lub B300.
Dla porównania, typowy komputer domowy ma od kilkunastu do kilkudziesięciu gigabajtów pamięci RAM. Nawet najmocniej skompresowany Large 4 potrzebuje jej dziesięć razy więcej. Do tego kompresja do 2 bitów zawsze pogarsza jakość odpowiedzi względem pełnego modelu. Hugging Face nie podał, o ile.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Mistral deklaruje prowadzenie wśród otwartych modeli do programowania
Według Mistrala Large 4 jest najlepszym modelem z otwartymi wagami do programowania. W Artificial Analysis Coding Agent Index uzyskał 48 proc., praktycznie tyle samo co chiński GLM-5.3 firmy Zhipu. Mistral twierdzi, że jego model potrzebuje do wykonania zadania średnio o 47 proc. mniej tokenów. W prywatnym teście FrontierCode 2.0 firmy Cognition, oceniającym, czy opiekun repozytorium przyjąłby zmianę zaproponowaną przez agenta, Large 4 prowadzi z wynikiem 19,7 proc.
Pozostałe wyniki podane przez Mistrala:
- 84,5 proc. w BrowseComp, teście przeszukiwania internetu,
- 73,3 proc. w FinWorkBench (Finch), teście zadań finansowych i arkuszy kalkulacyjnych; lepszy był tylko Kimi K3 (77,3 proc.),
- 97,1 proc. odpartych ataków w teście bezpieczeństwa agentów B3 (wersja podglądowa: 93,3 proc.).
Sprawdziłem wykresy opublikowane przez Mistrala i nie wszystkie wypadają tak dobrze, jak sugeruje komunikat. W ślepych porównaniach kodu Surge Code ludzie częściej wybierali odpowiedzi Large 4 niż modeli GLM-5.3, Kimi K3 i DeepSeek V4.1 Flash. W starciu z zamkniętym Claude Opus 5.5 od Anthropic Large 4 wygrał tylko w 22 proc. przypadków. Według Hugging Face, na dzień 29 października model zajmował piąte miejsce wśród otwartych modeli w ogólnym Artificial Analysis Intelligence Index. Większość wyników to dane producenta. Niezależne powtórzenie testu Terminal-Bench wciąż nie zostało opublikowane.
Cyberbezpieczeństwo to główna specjalizacja i największe ryzyko Mistral Large 4
Mistral pozycjonuje Large 4 przede wszystkim jako narzędzie dla zespołów obrony. W Artificial Analysis Cyber Index, który mierzy wykrywanie podatności w kodzie, ich odtwarzanie i łatanie bez psucia działającego oprogramowania, model osiągnął 51 proc. Z wykresu w komunikacie Mistrala wynika jednak, że dwa otwarte modele wypadły w tym indeksie lepiej: DeepSeek V4.1 Flash (57 proc.) i MiMo-V2.6-Pro (56 proc.). W samym zadaniu odtworzenia i załatania prawdziwej podatności Large 4 uzyskał według Hugging Face 82 proc.
Model testowały firmy Cisco, CrowdStrike, Cloudflare, Fortinet, Elastic, Zscaler, Rubrik i Orange Cyberdefense, a także Booz Allen Hamilton i ENISA, unijna agencja ds. cyberbezpieczeństwa. Według rzeczniczki ENISA Laury Heuvinck agencja sprawdza Large 4 przy szukaniu podatności, audycie kodu i analizie logów.
Mistral przyznaje, że zabezpieczenia mają granice. Model odrzuca średnio 96,6 proc. szkodliwych zapytań z testów JailbreakBench, StrongREJECT i AgentHarm, co według firmy jest najlepszym wynikiem wśród otwartych modeli. Jednocześnie po analizie ruchu z okresu podglądu firma napisała wprost:
„widzimy potencjał ułatwienia prowadzenia prawdziwych ataków” / „we see a potential for uplift to conduct real attacks”
Mistral zapowiada dalsze zmiany zabezpieczeń. Dla wybranych partnerów, takich jak Orange Cyberdefense, przygotował osobną wersję do testów penetracyjnych i red-teamingu. Dostęp do niej wymaga weryfikacji i umowy.
Zabezpieczenia wbudowane w otwarte wagi da się jednak usunąć. Na Hugging Face pojawiła się już wersja Mistral-Large-4-1T-A52B-Uncensored przygotowana przez zespół AtomicChat. Jej autorzy usunęli z modelu mechanizm odmawiania odpowiedzi i udostępnili zarówno nakładkę LoRA, jak i gotowy plik o rozmiarze 302 GB.
Mistral zrobił coś, czego Europa potrzebowała od dawna: model z czołówki, który firma może postawić u siebie i nie pytać nikogo o zgodę. Dla banku, szpitala czy urzędu to realna zmiana. Dane nie wychodzą poza serwerownię, a dostęp do narzędzia nie zależy od cennika i polityki dostawcy z innego kontynentu.
Mam jednak problem z tym, jak Mistral opowiada o bezpieczeństwie. Firma chwali się 96,6 proc. odrzuconych szkodliwych zapytań i w tym samym komunikacie przyznaje, że model może pomóc w prawdziwych atakach. Kilka dni po premierze ktoś wrzucił na Hugging Face wersję bez żadnych hamulców. Przy otwartych wagach zabezpieczenia producenta są ustawieniem domyślnym, nie barierą. Uważam, że to uczciwa cena otwartości. Szkoda tylko, że w materiałach marketingowych nie pada to zdanie równie wyraźnie jak wyniki benchmarków.
Drugie pytanie dotyczy tego, kto na tym naprawdę skorzysta. Sprzęt zdolny uruchomić Large 4 w sensownej jakości kosztuje tyle, że „lokalna AI” pozostaje na razie przywilejem dużych organizacji. Mniejsze firmy i tak skończą na API, tylko tym razem europejskim.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Licencja Mistral Large 4 pozwala na użycie komercyjne z jednym wyjątkiem
Mistral Large 4 jest udostępniony na licencji Mistral Ecosystem Open-Weight, czyli zmodyfikowanej licencji MIT. Model można bezpłatnie używać, modyfikować, dostrajać i wykorzystywać komercyjnie. Firmy oferujące modele jako usługę (Model-as-a-Service) muszą przed komercyjnym użyciem uzyskać osobną licencję od Mistrala.
To odejście od zasad poprzednika. Mistral Large 3 był udostępniony na licencji Apache 2.0, która takiego ograniczenia nie zawierała.
Kto nie chce inwestować we własną infrastrukturę, może korzystać z modelu przez API. Mistral wycenił go na:
- 0,70 dolara za milion tokenów wejściowych,
- 0,07 dolara za milion tokenów wejściowych z pamięci podręcznej,
- 2,10 dolara za milion tokenów wygenerowanych.
Model jest dostępny także przez Mistral Studio, OpenRouter, Microsoft Foundry (Microsoft jest pierwszym dostawcą chmury, który go udostępnił) oraz punkty końcowe NVIDIA, w tym kontener NIM.
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.
Polskie zespoły znają architekturę Mistrala z Bielika
Mistral ma w Polsce wyjątkową pozycję, bo na jego modelach powstał Bielik, rozwijany przez fundację SpeakLeash i ACK Cyfronet AGH. Bielik 7B v0.1 był rozwinięciem Mistral 7B v0.1, a Bielik 11B v2 powstał na architekturze Mistral 7B v0.2, powiększonej do 11 mld parametrów. Polskie zespoły mają więc doświadczenie w dostrajaniu modeli tej firmy.
Large 4 to jednak inna skala. Hugging Face pokazał przykład dostrajania modelu metodą LoRA w bibliotece TRL na węźle z ośmioma kartami NVIDIA B300. Tak duża infrastruktura jest poza zasięgiem większości polskich firm. Pozostaje dla nich API, chmura albo zamówienie dostrojenia u Mistrala przez usługę Forge.
Polski jest w danych treningowych jako jeden z języków urzędowych UE. Mistral nie opublikował jednak wyników testów dla języka polskiego, więc jakość odpowiedzi po polsku trzeba sprawdzić samodzielnie.
Z licencji wynika jeszcze jedna konsekwencja dla polskiego rynku. Firma, która chce wdrożyć Large 4 wewnętrznie, na przykład do analizy dokumentów albo kodu, nie zapłaci za samo użycie wag. Polski dostawca chmury, który chciałby sprzedawać dostęp do Large 4 klientom, potrzebuje już osobnej umowy z Mistralem.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego komunikatu Mistral AI z dnia 29.10.2026, wpisu Hugging Face z dnia 29.10.2026 i karty modelu ggml-org/Mistral-Large-4-1T-A52B-GGUF. Redakcja wykorzystała również materiały TechCrunch, SiliconANGLE i The Next Web, publikacje naukowe zespołu Bielika oraz artykuł Spider’s Web.
Cytat z komunikatu Mistral AI 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 modelu Mistral Large 4 i niezależnych testów jego wyników.
