Mistral Large 4: Multimodales Sprachmodell mit Cybersecurity-Fokus

Was ist neu

Mistral veröffentlicht Mistral Large 4 (intern als „Le Chonk" bekannt), ein multimodales Sprachmodell mit insgesamt etwa 1 Billion Parametern, von denen 49 Milliarden aktiv sind. Das Modell verarbeitet Text und Bilder als Eingabe und generiert Text.

Die Architektur kombiniert zwei Sparsamkeitsmechanismen: eine Mixture-of-Experts-Schicht (MoE), die für jeden Token eine kleine Gruppe von Experten aus 128 Kandidaten auswählt (mit 5 aktiven Experten pro Token), und eine DeepSeek Sparse Attention, die bis zu 2.048 Token-Positionen für die Aufmerksamkeit auswählt. Der Kontext-Fenster umfasst 1 Million Tokens. Die Vision-Komponente basiert auf einem Pixtral-Encoder mit 1,6 Milliarden Parametern und einer räumlichen Patch-Merge-Architektur.

Laut Hugging Face ist Mistral Large 4 besonders stark in drei Bereichen:

Cybersecurity: Das Modell erreicht 82 Prozent auf dem Artificial Analysis Cyber Index-Test, der die Fähigkeit bewertet, echte Sicherheitslücken in Open-Source-Software zu reproduzieren und zu beheben. Hugging Face gibt an, dass mehrere geschlossene Frontier-Modelle bei diesem Test nahe Null erreichen, weil sie die Aufgabe ablehnen. Das Modell wurde nicht explizit für Malware-Analyse, Vulnerability-Priorisierung und das Schreiben von Detection-Rules trainiert, zeigt aber interne Testresultate auch in diesen Bereichen. Mit 93 Prozent löst das Modell auch Aufgaben aus Cybench, einer Sammlung von 40 Sicherheitswettbewerbs-Challenges.

Coding und Agenten-Workflows: Hugging Face meldet Scores von 61,7 Prozent auf DeepSWE v1.1, 59,4 Prozent auf SWE-Atlas-QnA und 28,3 Prozent auf Terminal-Bench 4. Die kombinierte Coding Agent Index-Bewertung liegt bei 49,8 Prozent. Für Wissensarbeit erreicht es 59,9 Prozent auf AutomationBench und 1.393 Elo auf AA-Briefcase, das geschäftliche Workflows und langfristige Aufgaben bewertet.

Multimodalität und Robustheit: Laut Hugging Face zeigt das Modell 93,3 Prozent Attack Resistance auf Lakera's B3 Benchmark gegen Prompt-Injection-Angriffe. Im Artificial Analysis Intelligence Index rangiert es zum Veröffentlichungsdatum (29. Oktober 2026) als fünftbestes Open-Weight-Modell weltweit.

Das Modell wird unter der Mistral Ecosystem Open-Weight License verteilt — eine MIT-Derivat-Lizenz, die Einschränkungen für Model-as-a-Service-Angebote festlegt. Mistral betont, dass das Modell trotz seiner Sicherheits-Fähigkeiten schädliche Anfragen ablehnt: Bei Cyber-Prompts aus JailbreakBench, StrongREJECT und AgentHarm hat es eine höhere durchschnittliche Ablehnungsquote als jedes andere Open-Weight-Modell.

Für wen, ab wann, zu welchen Bedingungen

Mistral Large 4 ist ab sofort (29. Oktober 2026) verfügbar. Das Modell wird in zwei offiziellen Varianten released: eine FP8-Version und eine NVFP4-Version, die weniger Speicher benötigt und NVIDIA Blackwell GPUs erfordert.

Zusätzlich bieten Unsloth und das llama.cpp-Team GGUFs (quantisierte Versionen) an. Hugging Face nennt keine Preise für Zugriff oder Deployment. Das Modell ist Open-Weight und damit kostenlos für lokale Ausführung, aber unter der genannten Mistral-Lizenz mit Einschränkungen für kommerzielle Model-as-a-Service-Angebote verfügbar.

Verfügbare Deployments und Schnittstellen:

• Transformers (lokal oder distributed): Hugging Face stellt ein Beispiel-Skript bereit für AutoModelForMultimodalLM mit AutoProcessor. Das Modell bietet drei Reasoning-Effort-Stufen (low, medium, high), wobei high der Standard ist und Reasoning nicht deaktiviert werden kann.

• vLLM: Unterstützt die NVFP4-Checkpoint mit NVIDIA Blackwell GPUs, inklusive DSpark Drafting zur Geschwindigkeitssteigerung. Hugging Face zeigt vLLM-Konfiguration mit Tensor-Parallelisierung für acht GPUs.

• Llama.cpp und Llama App: Bereits unterstützt. Hugging Face nennt verfügbare Quantisierungen: IQ2_XXS (2-Bit), Q2_K, Q4_K_M, Q8_0, NVFP4 und BF16. Auf einem Apple M3 Ultra erreicht Q2_K etwa 90 Tokens pro Sekunde (Prefill) und 15 Tokens pro Sekunde (Generation). Auf 4 × RTX6000 Pro berichtet Hugging Face über NVFP4 mit 32K Kontext: 130–590 Tokens/s (Prefill), ~10 Tokens/s (Generation).

• Inference Endpoints und Serverless Inference: Hugging Face bietet Remote-Deployment-Optionen.

• Fine-Tuning mit TRL: Day-0-Support für Transfer Learning mit TRL (Transformers Reinforcement Learning). Hugging Face zeigt ein Trainings-Beispiel für mehrsprachiges Reasoning auf acht B300-GPUs.

Das nennt Hugging Face nicht: spezifische Verfügbarkeit in DACH-Regionen, Preis für Inference Endpoints, Größe der kostenlosen Kontingente, Datenschutzrichtlinien für Remote-Deployment.

Einordnung für DACH

Mistral Large 4 adressiert speziell Teams in Cybersecurity, die Open-Weight-Modelle für defensive Sicherheitsarbeit benötigen — ein Fokus mit praktischen Implikationen für DACH-Organisationen. Das Modell kann lokal deployed werden, was Datenschutz-Anforderungen erfüllt: Sicherheitsanalytiker können Malware-Samples, Crash-Logs und Quellcode zur Analyse auf eigenen Systemen verarbeiten, ohne Code an externe APIs zu schicken.

Die Möglichkeit, das Modell zu fine-tunen (mit TRL), ermöglicht Teams, spezialisierte Versionen für ihre Codebasis und interne Sicherheitsprozesse zu erstellen — ein Ansatz, der für regulierte Umgebungen in Deutschland und Österreich relevant ist. Die Open-Weight-Lizenz mit Einschränkungen für Model-as-a-Service ist zu prüfen, wenn kommerzielle KI-Dienste geplant sind.

Hugging Face nennt nicht, ob Daten von Remote-Inference-Endpoints (falls genutzt) in der EU verarbeitet werden oder wo die Modell-Checkpoints gehostet sind. Teams sollten Infrastruktur-Details mit Hugging Face klären, bevor sie Produktions-Deployments mit sensiblen Sicherheitsdaten planen. Für rein lokale Nutzung entfällt diese Frage.

Die Benchmark-Ergebnisse sind Herstellerangaben (Mistral und unabhängige Tests wie Artificial Analysis). Kategorie Modelle & Benchmarks bietet Kontext für Vergleiche mit anderen Open-Weight-Modellen.

Quellen

• Offizielle Meldung von Hugging Face