AntwortenVeröffentlicht19 Quellen
Mistral Large 4: Offene Gewichte, bessere Coding-Werte und offene Fragen
Mistral veröffentlichte am 29. Oktober die Gewichte von Mistral Large 4, auch „Le Chonk“ genannt. Laut Berichten stieg das Modell im Terminal Bench 4.0 Benchmark von 28 auf 41 Prozent.
Veröffentlicht vonBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Mistral veröffentlichte am 29. Oktober die Gewichte von Mistral Large 4, auch „Le Chonk“ genannt.
- Laut Berichten stieg das Modell im Terminal Bench 4.0 Benchmark von 28 auf 41 Prozent.
- Das multimodale Mixture of Experts Modell hat laut offizieller Dokumentation 1,05 Billionen Parameter, davon 52 Milliarden aktive Parameter, sowie einen Vision Encoder mit 1,6 Milliarden Parametern.[1]
- Mistral nennt für Tests zur Cybersicherheit einen Cyber Index Wert von 51 Prozent und eine Ablehnungsrate von 96,6 Prozent bei schädlichen Cyber Anfragen.
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What are the key details and implications of France’s Mistral releasing the open weights of its flagship Mistral Large 4 model, nicknamed “L. Article summary: Mistral released the open weights of Mistral Large 4, “Le Chonk,” on October 29, following its October 6 preview, and claims leading open weight performance in coding and defensive cybersecurity.[9] The available evidenc. Topic tags: general web, ai safety, openai, agents, ai. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts w
Mistral hat am 29. Oktober die offenen Gewichte seines Modells Mistral Large 4 veröffentlicht. Das System trägt den Spitznamen „Le Chonk“; eine öffentliche Vorschau war bereits am 6. Oktober erschienen. Das Unternehmen stellt das Modell als leistungsstark bei Coding und defensiver Cybersicherheit dar.9 Die vorliegenden Informationen liefern einige technische Daten und Benchmark-Angaben – aber keinen Beleg für einen allgemeinen Leistungsvorsprung in allen Einsatzbereichen.
Was über das Modell bekannt ist
Mistral Large 4 ist ein multimodales Mixture-of-Experts-Modell. Laut offizieller Dokumentation umfasst es insgesamt 1,05 Billionen Parameter; 52 Milliarden davon sind aktiv. Hinzu kommt ein Vision-Encoder mit 1,6 Milliarden Parametern.1 Mistral gibt an, das Modell in europäischen Rechenzentren mit 3.800 Nvidia Grace-Blackwell-GPUs trainiert zu haben.
15
Nutzerinnen und Nutzer können den Rechenaufwand für Schlussfolgerungen auf drei Stufen einstellen: niedrig, mittel oder hoch. Hoch ist laut Bericht die Standardeinstellung.10 Solche Optionen können je nach Aufgabe einen Kompromiss zwischen Rechenaufwand und Leistung ermöglichen. Was sie für Kosten oder Antwortzeiten bedeuten, hängt jedoch vom konkreten Einsatz ab.
Coding: bessere Werte, aber kein Rundumsieg
Im Terminal-Bench 4.0, einem Benchmark für Aufgaben rund um die Arbeit mit einem Terminal, soll Large 4 nach zusätzlichem Reinforcement Learning 41 Prozent erreicht haben – gegenüber 28 Prozent in der Vorschau. Das entspricht einem Anstieg um 13 Prozentpunkte.10
11
Im Coding Agent Index von Artificial Analysis werden 48 Prozent berichtet. Damit liegt Mistral Large 4 laut den vorliegenden Angaben gleichauf mit GLM-5.3 und verbraucht pro Aufgabe 47 Prozent weniger Tokens.11 Das könnte bei bestimmten agentischen Coding-Aufgaben auf einen Effizienzvorteil hindeuten. Allein daraus lässt sich aber weder auf geringere Gesamtkosten noch auf bessere Ergebnisse bei jeder Programmieraufgabe schließen. Dafür wären unter anderem Messungen zu Hardware, Laufzeit, Preisen und unterschiedlichen Arbeitslasten nötig.
Offene Gewichte und Lizenz
Mistral stellt die Modellgewichte unter der „Mistral Ecosystem Open-Weight License“ bereit. Im veröffentlichten Lizenztext wird sie als angepasste MIT-Lizenz beschrieben.7 Eine MIT-Lizenz ist vielen Entwicklerinnen und Entwicklern als permissive Lizenzform bekannt; die Anpassung bedeutet jedoch, dass man die konkreten Bedingungen prüfen sollte, statt automatisch von einer unveränderten Standardlizenz auszugehen.
Ein Branchenbericht beschreibt zusätzliche Einschränkungen für Anbieter, die das Modell als Dienstleistung weiterverkaufen, während Selbsthosting, Feinabstimmung und der Einsatz in Endprodukten davon nicht betroffen sein sollen.12 Die verfügbaren Auszüge reichen nicht aus, um die Pflichten für alle gehosteten Angebote im Detail zu bestimmen. Wer das Modell kommerziell einsetzen möchte, sollte daher den Lizenztext selbst prüfen.
Cybersicherheit: Benchmarks sind keine Garantie
Für Large 4 werden ein Wert von 51 Prozent im Cyber Index und eine durchschnittliche Ablehnungsrate von 96,6 Prozent bei schädlichen Cyber-Anfragen genannt.8 Diese Zahlen sind als berichtete Benchmark- und Evaluierungsergebnisse zu verstehen. Sie belegen für sich genommen weder, dass das Modell in jeder Situation sicher reagiert, noch, dass offene Gewichte nicht missbraucht werden können.
Defensive Fähigkeiten und die Fähigkeit, schädliche Anfragen abzulehnen, sind unterschiedliche Eigenschaften. Für eine belastbare Einordnung wären auch die Testmethodik und unabhängige Prüfungen wichtig; aus den verfügbaren Informationen lassen sich diese Details nicht vollständig beurteilen.
Was die Veröffentlichung bedeutet – und was offenbleibt
Mit den herunterladbaren Gewichten kommt eine weitere europäische Option für Organisationen hinzu, die ein Modell selbst betreiben oder anpassen möchten. Mistral positioniert Large 4 im Wettbewerb mit chinesischen Open-Weight-Modellen und geschlossenen Spitzenmodellen.9
14 Für Anwender zählt dabei nicht nur die Herkunft: Entscheidend ist auch, ob sie ein Modell lokal oder auf eigener Infrastruktur einsetzen können, statt ausschließlich auf den fortlaufenden Zugang zu einer Anbieter-API angewiesen zu sein.
Die vorliegenden Quellen bestätigen jedoch nicht alle weitergehenden Behauptungen, die mit der Veröffentlichung verknüpft werden könnten – etwa konkrete Finanzierungszahlen, bestimmte Partnerschaften oder weitergehende Aussagen zu geopolitischen Motiven. Auch der genaue Zeitraum des zusätzlichen Reinforcement Learnings ist in den verfügbaren Auszügen nicht belegt. Am aussagekräftigsten ist daher zunächst der praktische Vergleich: Wie gut funktioniert Large 4 bei den eigenen Aufgaben, mit den verfügbaren Ressourcen und unter den Bedingungen der Lizenz?
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Mistral Large 4: Offene Gewichte, bessere Coding-Werte und offene Fragen“?
Mistral veröffentlichte am 29. Oktober die Gewichte von Mistral Large 4, auch „Le Chonk“ genannt.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Mistral veröffentlichte am 29. Oktober die Gewichte von Mistral Large 4, auch „Le Chonk“ genannt. Laut Berichten stieg das Modell im Terminal Bench 4.0 Benchmark von 28 auf 41 Prozent.
Was soll ich als nächstes in der Praxis tun?
Das multimodale Mixture of Experts Modell hat laut offizieller Dokumentation 1,05 Billionen Parameter, davon 52 Milliarden aktive Parameter, sowie einen Vision Encoder mit 1,6 Milliarden Parametern.[1]