Mistral offentliggjorde vektene til multimodellen Mistral Large 4, med kallenavnet «Le Chonk», 29. Selskapet oppgir 41 prosent på Terminal Bench 4.0 og 48 prosent på Artificial Analysis Coding Agent Index.
Publisert avBilder generert med GPT Image 2
Research answer

Create 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 har publisert modellvektene til Mistral Large 4 – flaggskipmodellen som har fått kallenavnet «Le Chonk». Modellen ble først lansert som en offentlig forhåndsversjon 6. oktober, og vektene ble gjort tilgjengelige 29. oktober.9
18
Det er en viktig forskjell fra en modell man bare får tilgang til gjennom en leverandørs API: Med vektene kan utviklere i større grad undersøke, tilpasse og kjøre modellen på egen infrastruktur. Men «åpne vekter» betyr ikke automatisk at alle bruksområder er uten begrensninger. Lisensen har egne vilkår.
Mistral beskriver Large 4 som en multimodal blandet ekspertmodell – en såkalt mixture-of-experts-modell – som kan behandle mer enn én type innhold. Den har 1,05 billioner parametere totalt, 52 milliarder aktive parametere og en egen bildebehandler med 1,6 milliarder parametere.1
Mistral oppgir at modellen ble trent med 3 800 Nvidia Grace Blackwell-GPU-er i selskapets europeiske datasentre.15 Slike tall sier noe om omfanget av treningen, men ikke i seg selv hvor godt modellen fungerer på en bestemt oppgave eller hvor dyr den er å bruke.
På Terminal-Bench 4.0, en test av oppgaver som involverer bruk av terminalverktøy, rapporteres Large 4 å ha gått fra 28 til 41 prosent etter videre trening med forsterkende læring. Det er en økning på 13 prosentpoeng.10
11
Mistrals rapporterte resultat på Artificial Analysis Coding Agent Index er 48 prosent. Det skal være på nivå med GLM-5.3, samtidig som Large 4 brukte 47 prosent færre teksttokener per oppgave i sammenligningen.11 Færre tokener kan være et tegn på effektivitet, men forteller ikke alene hva en faktisk utrulling vil koste. Maskinvare, responstid og typen oppgaver spiller også inn.
Mistral oppgir dessuten 51 prosent på Artificial Analysis Cyber Index og at modellen avviser 96,6 prosent av forespørslene om ondsinnet cyberaktivitet i en måling.8 Dette er rapporterte testresultater, ikke en garanti for at modellen ikke kan misbrukes. De tilgjengelige kildene gir heller ikke nok detaljer til å vurdere testoppsettet fullt ut.
Vektene er publisert under Mistral Ecosystem Open-Weight License, som beskrives som en endret MIT-lisens.7 En MIT-lisens forbindes vanligvis med vide bruksrettigheter, men her bør man ikke trekke konklusjoner ut fra navnet alene.
Sekundær omtale sier at de ekstra kommersielle begrensningene særlig gjelder videresalg som en modellbasert nettjeneste, mens egen drift, finjustering og bygging av produkter omtales annerledes.12 Den konkrete lisensordlyden er likevel det viktigste grunnlaget for å avgjøre hvilke vilkår som gjelder for et bestemt prosjekt.
Large 4 gir utviklere enda et europeisk alternativ med nedlastbare modellvekter. Mistral setter selv modellen opp mot kinesiske konkurrenter og lukkede toppmodeller.9
14 For brukerne handler forskjellen først og fremst om hvor mye kontroll de får over drift og tilpasning – ikke bare hvor modellen er utviklet.
Samtidig bør selskapets egne benchmarkpåstander leses som nettopp det: rapporterte resultater fra bestemte tester. De kan være nyttige for å sammenligne modeller, men sier ikke nødvendigvis hvordan Large 4 vil prestere på oppgavene en virksomhet faktisk skal løse. Og når en modell både kan brukes defensivt innen cybersikkerhet og har åpne vekter, må effektivitet vurderes sammen med risikoen for misbruk.
Studio Global AI
This page includes a source-backed answer you can continue inside Studio Global.
Mistral offentliggjorde vektene til multimodellen Mistral Large 4, med kallenavnet «Le Chonk», 29.
Mistral offentliggjorde vektene til multimodellen Mistral Large 4, med kallenavnet «Le Chonk», 29. Selskapet oppgir 41 prosent på Terminal Bench 4.0 og 48 prosent på Artificial Analysis Coding Agent Index.
Modellen har 1,05 billioner parametere totalt, hvorav 52 milliarder er aktive, ifølge Mistrals dokumentasjon.[1]
Mistral offentliggjorde vektene til multimodellen Mistral Large 4, med kallenavnet «Le Chonk», 29. Selskapet oppgir 41 prosent på Terminal Bench 4.0 og 48 prosent på Artificial Analysis Coding Agent Index.
Publisert avBilder generert med GPT Image 2
Research answer

Create 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 har publisert modellvektene til Mistral Large 4 – flaggskipmodellen som har fått kallenavnet «Le Chonk». Modellen ble først lansert som en offentlig forhåndsversjon 6. oktober, og vektene ble gjort tilgjengelige 29. oktober.9
18
Det er en viktig forskjell fra en modell man bare får tilgang til gjennom en leverandørs API: Med vektene kan utviklere i større grad undersøke, tilpasse og kjøre modellen på egen infrastruktur. Men «åpne vekter» betyr ikke automatisk at alle bruksområder er uten begrensninger. Lisensen har egne vilkår.
Mistral beskriver Large 4 som en multimodal blandet ekspertmodell – en såkalt mixture-of-experts-modell – som kan behandle mer enn én type innhold. Den har 1,05 billioner parametere totalt, 52 milliarder aktive parametere og en egen bildebehandler med 1,6 milliarder parametere.1
Mistral oppgir at modellen ble trent med 3 800 Nvidia Grace Blackwell-GPU-er i selskapets europeiske datasentre.15 Slike tall sier noe om omfanget av treningen, men ikke i seg selv hvor godt modellen fungerer på en bestemt oppgave eller hvor dyr den er å bruke.
På Terminal-Bench 4.0, en test av oppgaver som involverer bruk av terminalverktøy, rapporteres Large 4 å ha gått fra 28 til 41 prosent etter videre trening med forsterkende læring. Det er en økning på 13 prosentpoeng.10
11
Mistrals rapporterte resultat på Artificial Analysis Coding Agent Index er 48 prosent. Det skal være på nivå med GLM-5.3, samtidig som Large 4 brukte 47 prosent færre teksttokener per oppgave i sammenligningen.11 Færre tokener kan være et tegn på effektivitet, men forteller ikke alene hva en faktisk utrulling vil koste. Maskinvare, responstid og typen oppgaver spiller også inn.
Mistral oppgir dessuten 51 prosent på Artificial Analysis Cyber Index og at modellen avviser 96,6 prosent av forespørslene om ondsinnet cyberaktivitet i en måling.8 Dette er rapporterte testresultater, ikke en garanti for at modellen ikke kan misbrukes. De tilgjengelige kildene gir heller ikke nok detaljer til å vurdere testoppsettet fullt ut.
Vektene er publisert under Mistral Ecosystem Open-Weight License, som beskrives som en endret MIT-lisens.7 En MIT-lisens forbindes vanligvis med vide bruksrettigheter, men her bør man ikke trekke konklusjoner ut fra navnet alene.
Sekundær omtale sier at de ekstra kommersielle begrensningene særlig gjelder videresalg som en modellbasert nettjeneste, mens egen drift, finjustering og bygging av produkter omtales annerledes.12 Den konkrete lisensordlyden er likevel det viktigste grunnlaget for å avgjøre hvilke vilkår som gjelder for et bestemt prosjekt.
Large 4 gir utviklere enda et europeisk alternativ med nedlastbare modellvekter. Mistral setter selv modellen opp mot kinesiske konkurrenter og lukkede toppmodeller.9
14 For brukerne handler forskjellen først og fremst om hvor mye kontroll de får over drift og tilpasning – ikke bare hvor modellen er utviklet.
Samtidig bør selskapets egne benchmarkpåstander leses som nettopp det: rapporterte resultater fra bestemte tester. De kan være nyttige for å sammenligne modeller, men sier ikke nødvendigvis hvordan Large 4 vil prestere på oppgavene en virksomhet faktisk skal løse. Og når en modell både kan brukes defensivt innen cybersikkerhet og har åpne vekter, må effektivitet vurderes sammen med risikoen for misbruk.
Studio Global AI
This page includes a source-backed answer you can continue inside Studio Global.
Mistral offentliggjorde vektene til multimodellen Mistral Large 4, med kallenavnet «Le Chonk», 29.
Mistral offentliggjorde vektene til multimodellen Mistral Large 4, med kallenavnet «Le Chonk», 29. Selskapet oppgir 41 prosent på Terminal Bench 4.0 og 48 prosent på Artificial Analysis Coding Agent Index.
Modellen har 1,05 billioner parametere totalt, hvorav 52 milliarder er aktive, ifølge Mistrals dokumentasjon.[1]