Was passiert
Mistral AI veröffentlicht heute die Public Preview von Mistral Large 4, intern auch als „le Chonk" bekannt. Das Modell ist ein nativ multimodales System mit einer Billion Parametern insgesamt, wovon 49 Milliarden während des Inference aktiv sind. Es stellt nach eigenen Angaben das größte und leistungsfähigste Modell dar, das Mistral bislang trainiert hat.
Die Gewichte werden bis Ende des Monats veröffentlicht. Die Preview selbst läuft bereits auf der Plattform Mistral Studio und kann über eine Preview API getestet werden. Vor der öffentlichen Freigabe durchläuft das Modell derzeit eine intensivere Red-Teaming-Phase: Cybersecurity-Experten, vetted Partner und staatliche Behörden erhalten Zugang zu einer Version mit reduzierten Moderation-Filtern und erweiterten Cyber-Fähigkeiten.
Das Training fand von Anfang an auf Mistrals eigener europäischer Infrastruktur statt – auf 3.800 NVIDIA Grace Blackwell GPUs in Mistrals europäischen Rechenzentren. Die Preview wird auf derselben Infrastruktur bereitgestellt. Das ist für Mistral ein bedeutender Schritt bei der Umsetzung seiner langfristigen Strategie rund um Infrastruktur, Forschung und Produktentwicklung.
Interessant ist die Trainingsdaten-Basis: Ein großer Anteil war multilingual und umfasste mehr als 160 Sprachen, einschließlich aller offiziellen Sprachen der Europäischen Union. Das Modell entstand in enger Zusammenarbeit mit führenden Unternehmen aus Finanzwirtschaft, Ingenieurwesen, Fertigung, Logistik, Pharmazie, Wissenschaft, Schifffahrt und dem öffentlichen Sektor.
Beim Training kam dieselbe Umgebung zum Einsatz, die Mistral seinen Kunden über die Plattform Mistral Forge zur Verfügung stellt – ein Punkt, der zeigt, dass das Modell aus produktiven Anforderungen entstand. Mistral Large 4 wird weltweit über mehrere Regionen hinweg verfügbar sein, inklusive einer europäischen Bereitstellung, die Mistral komplett eigenständig betreibt.
Einordnung
Mistral Large 4 adressiert ein zentrales Problem der bisherigen LLM-Landschaft: Starke Open-Weight-Modelle, die dennoch nicht durch restriktive Sicherheitsfilter gehindert werden. Während große Closed-Source-Modelle wie Claude Opus 5.5 oder GPT-6 Astra bei Security-Aufgaben oft durch Refusal-Mechanismen blockiert werden, kann ML4 diese Arbeiten durchführen – ohne dabei die Sicherheitsausrichtung zu verlieren.
Das ist praktisch relevant: Bei der Softwareverteidigung ist es oft notwendig, eine tatsächliche Sicherheitslücke nachzubilden und zu patchen, um ihre Realität zu beweisen. Closed-Source-Modelle weigern sich hier häufig aus Prinzip, obwohl genau das die Grundlage seriöser Vulnerability Research ist. Auf der Artificial Analysis Cyber Index, einer unabhängigen Bewertung, gehört ML4 zu den Top-5-Modellen weltweit und führt die Liste der Open-Weight-Modelle außerhalb Chinas mit deutlichem Abstand an. Bei einem Test zur Reproduktion realer Schwachstellen mit anschließendem Patch erreicht das Modell 82 % – höher als alle getesteten Konkurrenten.
Darüber hinaus leistet ML4 auch in allgemeinen Unternehmensaufgaben State-of-the-Art-Performance. Bei komplexen Coding-Aufgaben schneidet es ab (DeepSWE v1.1: 61,7 %, Terminal-Bench 4: 28,3 %, Coding Agent Index: 49,8 %). Bei der blinden menschlichen Bewertung durch professionelle Annotierer erzielte es auf einer 1–5-Skala 3,74 Punkte – nur hinter Claude Opus 5 (4,22), aber vor anderen führenden Open-Source-Modellen.
Bei Agentic Workflows, die Informationssammlung, Toolnutzung und komplexe Abläufe verbinden, erreicht ML4 59,9 % auf AutomationBench – einer Benchmark mit 657 echten Business-Workflows über Gmail, Google Sheets, Slack und Salesforce. Bei Knowledge-Work-Aufgaben wie der Erstellung und Bearbeitung komplexer Tabellenkalkulationen und Dokumente übertrifft es laut Evaluationen durch Drittanbieter sogar GPT-6 Astra.
Die multimodale Komponente stellt einen Qualitätssprung dar: Das Modell verarbeitet komplexe Dokumente, Diagramme und natürliche Bilder. Das ist besonders in Branchen wie Ingenieurwesen, Fertigung und Erdbeobachtung relevant. Beim visuellen Grounding übersteigt ML4 sogar geschlossene Frontier-Modelle – auf der Benchmark Dense 200 erreicht es 42 % gegenüber 41 % bei GPT-6-Astra.
Was das bedeutet
Die Verfügbarkeit von ML4 als Open-Weight-Modell mit dieser Leistungsklasse verschiebt das Verständnis von AI-Souveränität für Unternehmen. Bislang mussten Organisationen, die uneingeschränkte Kontrolle über ihre KI-Systeme wollten, entweder schwächere Open-Source-Modelle akzeptieren oder in teure, geschlossene APIs investieren. Mit ML4 ändert sich dieses Kalkül: Die gleiche Leistung wie Frontier-Modelle wird zur Architekturentscheidung, die unabhängig von externen Providern getroffen werden kann.
Das ist besonders für kritische Infrastrukturen und hochregulierte Branchen bedeutsam. Cybersecurity-Teams können nun Systeme unter ihrer eigenen Kontrolle betreiben, ohne Zugriffs- oder Capability-Verluste durch Updates fremder Anbieter zu riskieren. Finanzinstitutionen können komplexe Due-Diligence-Prozesse auf In-House-Hardware durchführen. Das reduziert nicht nur Abhängigkeitsrisiken, sondern schafft auch Audit-Trails und Datenschutz-Garantien, die mit Cloud-APIs praktisch unmöglich sind. Dass Mistral dieses Modell von Anfang an in Europa trainiert und deployed, unterstreicht dies als bewusste strategische Positionierung im globalen Tech-Wettbewerb.
