Zum Hauptinhalt springen
connic
Starte kostenlos
Zurück zum BlogBranchen-Insights

Mistral Large 4: Europas 1T-Modell, Benchmarks, Preise und Setup

Mistral Large 4 ist ein in Europa trainiertes multimodales 1T-Modell; der Leitfaden zeigt Benchmarks, Preise, Zeitplan für die Gewichte und Setup.

6. Oktober 2026(zuletzt aktualisiert: 20. November 2026)13 Min. LesezeitAutor: connic research team

Mistral Large 4 ist ein multimodales Sprachmodell mit rund einer Billion Parametern, das Mistral AI am 6. Oktober 2026 als Public Preview veröffentlicht hat. Die Dokumentation von Mistral nennt 1,05 Billionen Parameter insgesamt, davon 52 Milliarden aktiv pro Token, und einen Vision-Encoder mit 1,6 Milliarden Parametern. Die Preview ist schon jetzt über die Mistral-API nutzbar, die Gewichte sollen bis Ende Oktober folgen. Das Release kam drei Tage nach Kolibri-1 von Aleph Alpha, einem weiteren neuen Modell eines europäischen Entwicklers. Dieser Leitfaden behandelt Spezifikationen, Benchmarks, Preise und den Zeitplan für die Gewichte, vergleicht das Modell mit Kolibri-1 und zeigt, wie es hinter KI-Agenten im Produktivbetrieb läuft.

Mistral Large 4 im Überblick

Mistral Large 4 ist ein Mixture-of-Experts-Modell, das Instruction Following, Reasoning und Agenten-Aufgaben in einem Modell vereint. Die folgenden Angaben stammen aus der Release-Ankündigung und der Modellseite in der Dokumentation von Mistral.

Technische Spezifikationen von Mistral Large 4
MerkmalMistral Large 4
EntwicklerMistral AI, Frankreich
VeröffentlichungPublic Preview, 6. Oktober 2026
Parameter1,05 Bio. insgesamt, 52 Mrd. aktiv pro Token, dazu ein Vision-Encoder mit 1,6 Mrd.
ArchitekturFeingranulare Mixture-of-Experts-Architektur, ein Modell für Instruction Following und Reasoning
Ein- und AusgabeText und Bilder als Eingabe, Text als Ausgabe
SprachenMehr als 160 in den Trainingsdaten, darunter alle Amtssprachen der EU
Kontextfenster1 Mio. Tokens laut Mistral-Dokumentation; rund 524.000 bei Artificial Analysis und OpenRouter
ReasoningEinstellbar über den Parameter reasoning_effort
API-FunktionenFunction Calling, Structured Outputs, Document Q&A, Batching, Agents
API-Modell-IDsmistral-large-4, mistral-large-4-0
Bei connicconnic/mistral-large-4-0 (von connic verwaltet, Inferenz ausschließlich in der EU)
GewichteAngekündigt bis Ende Oktober 2026
LizenzNoch nicht bekannt gegeben
TrainingVon Grund auf auf 3.800 NVIDIA-Grace-Blackwell-GPUs in Mistrals eigenen europäischen Rechenzentren

Bei einigen Angaben weichen die Quellen voneinander ab. Die Ankündigung spricht von einer Billion Parametern mit 49 Milliarden aktiven, die Dokumentation von 1,05 Billionen und 52 Milliarden. Die Dokumentation nennt ein Kontextfenster von einer Million Tokens, Artificial Analysis und OpenRouter führen für die Preview rund 524.000 Tokens. Laut Mistral läuft das Reinforcement Learning hinter der Preview außerdem noch, und das Unternehmen erwartet weitere Verbesserungen. Die Ergebnisse können sich also ändern, bevor die Gewichte erscheinen.

Benchmarks von Mistral Large 4

Mistral zeigt die meisten Ergebnisse als Diagramme. Die Tabelle fasst die im Text der Ankündigung genannten Werte zusammen. Die meisten hat Mistral selbst gemessen, die Vergleichsmodelle hat Mistral ausgewählt; der AA-Briefcase-Wert stammt von Artificial Analysis.

Ergebnisse von Mistral Large 4 laut Release-Ankündigung, Oktober 2026
BenchmarkMistral Large 4Was gemessen wird
DeepSWE v1.161,7 %Software-Engineering-Aufgaben
SWE-Atlas-QnA59,4 %Verständnis von Repositorys
Terminal-Bench 428,3 %Workflows auf der Kommandozeile
Coding Agent Index49,8 %Vor DeepSeek V4 Pro 0813 und Qwen3.8 Max
AutomationBench59,9 %657 Geschäftsworkflows; vor Kimi K3, MiMo-V2.6-Pro und DeepSeek V4 Pro
AA-Briefcase1.393 EloWissensarbeit über lange Zeiträume; vor DeepSeek V4 Pro
Cybench93 %40 Aufgaben aus Security-Wettbewerben
Dense 20042 %Visual Grounding; GPT-6 Astra erreicht 41 %
B3 AI Security Benchmark93,3 %Anteil abgewehrter Angriffe

Werte aus der Release-Ankündigung von Mistral, 6. Oktober 2026.

Ergebnisse für Coding und Agenten

Bei AutomationBench, das 657 Geschäftsworkflows in Apps wie Gmail, Google Sheets, Slack und Salesforce umfasst, meldet Mistral 59,9 %. Mit einem kombinierten Coding Agent Index von 49,8 % liegt das Modell vor DeepSeek V4 Pro 0813 und Qwen3.8 Max. In einer blinden Bewertung der Codequalität, die Mistral mit Surge AI durchgeführt hat, vergaben professionelle Annotatoren der Preview 3,74 von 5 Punkten. Das war Platz zwei von fünf Modellen, hinter Claude Opus 5 (4,22) und vor GLM-5.3 (3,60), Kimi K3 (3,59) und GLM-5.2 (3,40).

Cybersecurity

Cybersecurity bekommt in der Ankündigung von Mistral den meisten Raum. Im Artificial Analysis Cyber Index meldet Mistral einen Platz unter den fünf besten Modellen weltweit und die Spitze unter den Open-Weight-Modellen, die außerhalb Chinas entwickelt wurden. Im Test des Index, bei dem ein Modell eine reale Schwachstelle in Open-Source-Software nachstellen und anschließend beheben soll, erreicht Mistral Large 4 82 %, laut Mistral der höchste Wert aller Modelle. Claude Opus 5.5 und GPT-6 Astra kommen dort laut Mistral auf nahezu null, weil sie die Aufgabe verweigern. Gleichzeitig lehnt das Modell laut Mistral bösartige Cyber-Prompts häufiger ab als alle anderen getesteten offenen Modelle. Bis die Gewichte erscheinen, testen ausgewählte Partner und staatliche Stellen eine Version mit reduzierter Moderation.

Bilder und Wissensarbeit

Bei der Bildverarbeitung spricht Mistral von einem großen Sprung gegenüber den eigenen früheren Modellen, mit Reasoning über Dokumente, Diagramme, technische Zeichnungen und Satellitenbilder. Beim Visual Grounding meldet Mistral 42 % auf Dense 200 gegenüber 41 % für GPT-6 Astra. In Evaluationen von vals.ai zu juristischen und finanziellen Aufgaben übertrifft die Preview GPT-6 Astra, und im Legal Agent Benchmark von Harvey schneidet sie laut Mistral besser ab als alle Open-Source-Modelle.

Unabhängige Ergebnisse

Artificial Analysis vergibt der Preview mit Reasoning 38 Punkte im Intelligence Index. Das nicht auf Reasoning ausgelegte Mistral Large 3 kam auf 9 Punkte. Open-Weight-Modelle aus China liegen weiterhin vorn, darunter GLM-5.3 mit 45 und Kimi K3 mit 44 Punkten, beide in ihrer höchsten Reasoning-Stufe. Da die Gewichte noch nicht öffentlich sind, führt Artificial Analysis die Preview als proprietäres Modell. Gemessen wurden 116 Output-Tokens pro Sekunde. Zudem stuft Artificial Analysis das Modell als ausführlich ein: Während der Index-Evaluation erzeugte es 200 Millionen Output-Tokens, bei einem Median von 81 Millionen für Reasoning-Modelle einer ähnlichen Preisklasse.

Preise und API-Zugang

Die Preview läuft in der Mistral-API unter den Modell-IDs mistral-large-4 und mistral-large-4-0. Mistral nennt die folgenden Preise pro Million Tokens. In der Dokumentation sind sie derzeit durchgestrichen und durch den halben Preis ersetzt, ohne Angabe, wie lange dieser gilt.

API-Preise von Mistral Large 4 pro Million Tokens, 6. Oktober 2026
TokensListenpreisAktueller Preis laut Doku
Input1,36 $0,68 $
Gecachter Input0,14 $0,07 $
Output4,18 $2,09 $

Preise pro Million Tokens in US-Dollar, aus Ankündigung und Dokumentation von Mistral am 6. Oktober 2026.

Batch-Verarbeitung bietet Mistral mit 50 % Rabatt an. Für Vorgaben zum Datenstandort gibt es den Endpoint api.eu.mistral.ai für regionale Inferenz. Er verarbeitet Anfragen in Rechenzentren in EU- und EFTA-Staaten, zum 1,1-Fachen des Standard-Listenpreises. Für den globalen Endpoint sagt Mistral keinen Verarbeitungsort zu. Regionale Endpoints bedienen nur die in ihrer Region gehosteten Modelle und unterstützen Function Calling, aber nicht die Agents-, Batch- und Files-Funktionen von Mistral, und Konto- und Abrechnungsdaten können weiterhin außerhalb der Region verarbeitet werden. Artificial Analysis stuft die Preview als ausführlich ein, daher sollten Output-Tokens in jede Kostenschätzung einfließen.

Gewichte und Self-Hosting

Mistral will die Gewichte bis Ende Oktober veröffentlichen, zusammen mit Details zur Architektur, weiteren Benchmarks und der Post-Training-Methode. Eine Lizenz hat Mistral noch nicht genannt. Der Vorgänger Mistral Large 3 steht unter Apache 2.0.

Laut Mistral soll das Modell auch in einer Private Cloud oder On-Premises laufen können, die Größe setzt dafür aber eine hohe Hürde. Bei 8 Bit pro Parameter belegen 1,05 Billionen Parameter rund 1 TB Speicher, bei 16 Bit rund 2 TB, jeweils ohne KV-Cache und Laufzeit-Overhead. Das ist mehr, als ein Server mit acht H100-GPUs fasst (8 × 80 GB = 640 GB). Hardwareanforderungen hat Mistral noch nicht veröffentlicht, für die meisten Teams bleibt die API daher der praktikable Weg.

Mistral Large 4 und Kolibri-1: zwei europäische Releases in einer Woche

Aleph Alpha hat Kolibri-1 drei Tage vor Mistral Large 4 veröffentlicht. Die beiden Releases verfolgen gegensätzliche Ansätze: Mistral hat ein mehrsprachiges Modell mit einer Billion Parametern und Bildeingabe gebaut, Aleph Alpha ein kompaktes Modell für Deutsch und Englisch, das auf eine einzelne große GPU passt.

Mistral Large 4 und Kolibri-1 im Vergleich, Oktober 2026
MerkmalMistral Large 4Kolibri-1
EntwicklerMistral AI, FrankreichAleph Alpha, Deutschland
VeröffentlichungPublic Preview, 6. Oktober 2026Gewichte veröffentlicht am 3. Oktober 2026
Parameter insgesamt1,05 Bio.78,1 Mrd.
Aktiv pro Token52 Mrd.3,46 Mrd.
EingabeText und BilderText
SprachenMehr als 160 in den TrainingsdatenDeutsch und Englisch
Kontextfenster1 Mio. (Mistral-Doku), rund 524.000 (Artificial Analysis, OpenRouter)262.144 nativ, validiert bis 1.048.576
GewichteAngekündigt bis Ende OktoberAuf Hugging Face verfügbar
LizenzNoch nicht bekannt gegebenApache 2.0 für Gewichte und Konfigurationsdateien
Speicher für GewichteRund 1 TB bei 8 Bit (Schätzung)Rund 78 GB (FP8)
Zugang heuteMistral-API, API-Router und der Katalog verwalteter connic-ModelleDer Katalog verwalteter connic-Modelle und Self-Hosting mit vLLM

Die Benchmark-Ergebnisse lassen sich nicht direkt vergleichen, weil beide Unternehmen unterschiedliche Testsuiten veröffentlichen. In der Praxis passt Mistral Large 4 zu mehrsprachigen Produkten, zu Dokument- und Bild-Workloads und zu Teams, die ein großes multimodales Modell über eine API nutzen wollen. Kolibri-1 passt zu deutschsprachigen Workloads, die auf selbst kontrollierter Infrastruktur laufen müssen, bei einem Bruchteil der Hardwarekosten.

Was Mistral Large 4 für Europa bedeutet

Mistral hat das Modell von Grund auf in eigenen europäischen Rechenzentren trainiert und betreibt die Preview auf derselben Infrastruktur. Das Modell soll in mehreren Regionen weltweit verfügbar sein, darunter ein europäisches Deployment, das Mistral vollständig selbst betreibt, unabhängig von anderen digitalen Dienstleistern und unter europäischem Recht. Laut Mistral umfassen die Trainingsdaten alle Amtssprachen der EU. Das ist für Produkte relevant, die Kunden in mehreren EU-Ländern bedienen.

Mistral nennt das Modell den ersten Meilenstein auf der Roadmap, die Mistral mit seiner Series-D-Finanzierung über 3 Milliarden Euro finanziert, laut Mistral die größte Eigenkapitalrunde, die ein europäisches Technologieunternehmen je eingeworben hat. Unser Überblick zu in der EU gehosteten KI-Modellen vergleicht den EU-Endpoint von Mistral mit selbst betriebenen Open-Weight-Modellen und weiteren Hosting-Optionen in der EU.

Mistral Large 4 mit connic nutzen

connic betreibt KI-Agenten im Produktivbetrieb, mit Deployments, Verbindungen, Guardrails, Approvals, Judges und Traces. Mistral Large 4 ist im Katalog der von connic verwalteten KI-Modelle als connic/mistral-large-4-0 verfügbar, mit Inferenz ausschließlich in der EU, Abrechnung über das Projektguthaben und ohne Mistral-Konto oder Provider-Schlüssel. Das verwaltete Modell verarbeitet Text und Bilder und unterstützt Kontexte bis 1 Mio. Tokens mit bis zu 262.144 Output-Tokens. Der Modellkatalog nennt die aktuellen Preise. Alternativ lassen sich weiterhin ein eigener Mistral-Schlüssel oder ein anderer externer Provider nutzen, wie am Ende dieses Abschnitts beschrieben.

  1. connic-Plugin installieren. Überspring diesen Schritt, wenn dein Coding-Agent es schon hat. Füge das in Claude Code, Codex oder Cursor ein:

    prompt
    Installiere das connic-Plugin aus connic-org/connic-skill und erkläre dem Nutzer, wie er die MCP-Authentifizierung abschließt.
  2. Mistral Large 4 mit einem Agenten ausprobieren. Füge das in eine neue Session in deinem connic-Projekt ein. Dein Coding-Agent legt mit dir eine Variante eines deiner Agenten mit Mistral Large 4 an, deployt sie und testet sie gegen die aktuelle Version:

    prompt
    Ich möchte Mistral Large 4 mit einem meiner connic-Agenten ausprobieren. Frag mich, welcher Agent es testen soll, und schlag dann eine Variante von ihm vor, `<agent>-test-large-4.yaml`, mit `model: connic/mistral-large-4-0`, einem `reasoning_effort`, der zu seinen Schritten passt, und einem `fallback_model`. Sobald wir uns einig sind, leg sie an, prüfe das Projekt und deploye es in mein connic-Projekt. Richte danach einen A/B-Test gegen den bestehenden Agenten ein, mit einem Judge, der beide nach Kriterien bewertet, auf die wir uns einigen, und sag mir, was ich im Dashboard noch erledigen muss.

1. Das verwaltete Modell referenzieren

Der Agent braucht nur die Modell-ID:

agents/contract-review.yaml
version: "1.0"

name: contract-review
model: connic/mistral-large-4-0
description: "Prüft Lieferantenverträge und markiert riskante Klauseln"
fallback_model: connic/mistral-medium-3.5-128b
reasoning_effort: high
system_prompt: |
  Du prüfst Lieferantenverträge...

Für dieses Modell akzeptiert reasoning_effort die Overrides none und high. Da die Preview lange Ausgaben schreibt, passt none zu Routineschritten und hält die Output-Kosten niedrig. Mit fallback_model wechselt eine fehlgeschlagene Anfrage oder eine Anfrage mit Timeout zu Mistral Medium 3.5, das dieselben reasoning_effort-Werte akzeptiert. So stoppt ein Ausfall der Preview den Agenten nicht.

Eine Zeile für den Modellwechsel
Ein Agent auf Mistral Large 3 wechselt zu Mistral Large 4, wenn in seiner Konfiguration nur die Zeile model von connic/mistral-large-2512 auf connic/mistral-large-4-0 geändert wird. Beide Modelle werden von connic verwaltet, laufen ausschließlich in der EU und werden über dasselbe Projektguthaben abgerechnet.

2. Vor dem Rollout testen

Preview-Ergebnisse können sich von Woche zu Woche ändern, und das Modell schreibt lange Ausgaben. Für einen Vergleich vor dem Wechsel kommt die Konfiguration aus Schritt 1 in eine Variantendatei wie contract-review-test-large-4.yaml. Ein A/B-Test in connic behält den bestehenden Agenten als Basisagenten (Control) und schickt einen Teil des Live-Traffics an die Variante. Judges bewerten beide Versionen nach denselben Kriterien, die Runs-Tabelle zeigt die Token-Anzahl pro Run, und der Test pausiert eine Variante, die ihre Grenzen für Fehlerrate oder Qualität verletzt.

Alternative: externe Provider

Teams mit bestehendem Mistral-Vertrag können die Mistral-API stattdessen als eigenen OpenAI-kompatiblen Provider anbinden. Gehe dazu in den Projekt-Settings zu LLM Provider, wähle Add Custom Provider und trage einen Anzeigenamen, das Präfix mistral, die Basis-URL https://api.mistral.ai/v1 und den API-Schlüssel ein. Für die Verarbeitung in Rechenzentren in EU- und EFTA-Staaten nutze https://api.eu.mistral.ai/v1, sofern das Modell dort verfügbar ist. Agenten referenzieren dann mistral/mistral-large-4. Projekte, die OpenRouter mit eigenem Schlüssel nutzen, können openrouter/mistralai/mistral-large-4-0 referenzieren. Die Dokumentation zu eigenen Providern beschreibt die Einrichtung.

Preview-Status
Mistral Large 4 ist eine Public Preview. Mistral erwartet weitere Verbesserungen aus dem noch laufenden Training, und Gewichte und Lizenz sind noch nicht verfügbar. Plane den Einsatz im Produktivbetrieb mit einem Fallback-Modell und wiederhole Evaluationen, wenn Mistral das Modell aktualisiert.

Betreibe Mistral Large 4 hinter Agenten im Produktivbetrieb

Nutze Mistral Large 4 als verwaltetes KI-Modell mit Inferenz ausschließlich in der EU und vergleiche es per A/B-Test, Judges und Traces mit deinem aktuellen Modell.

Häufig gestellte Fragen

Mistral Large 4 ist ein multimodales Sprachmodell mit Mixture-of-Experts-Architektur von Mistral AI, veröffentlicht als Public Preview am 6. Oktober 2026. Die Dokumentation nennt 1,05 Billionen Parameter insgesamt, 52 Milliarden aktive Parameter und einen Vision-Encoder mit 1,6 Milliarden Parametern. Es verarbeitet Text und Bilder, wurde mit mehr als 160 Sprachen trainiert und ist über die Mistral-API verfügbar.

Derzeit nicht. Mistral kündigt die Gewichte bis Ende Oktober 2026 an, hat aber keine Lizenz genannt. Ob sie unter einer Open-Source-Lizenz erscheinen, ist noch offen. Bis dahin ist die Preview nur über APIs verfügbar, und Artificial Analysis führt sie als proprietäres Modell. Der Vorgänger Mistral Large 3 steht unter Apache 2.0.

Mistral nennt 1,36 US-Dollar pro Million Input-Tokens, 0,14 US-Dollar pro Million gecachter Input-Tokens und 4,18 US-Dollar pro Million Output-Tokens. Am 6. Oktober 2026 zeigte die Dokumentation von Mistral diese Preise halbiert. Batch-Verarbeitung kostet 50 % weniger, der regionale EU-Endpoint das 1,1-Fache des Standard-Listenpreises. Bei connic wird das verwaltete Modell connic/mistral-large-4-0 über das Projektguthaben abgerechnet; der Modellkatalog von connic nennt die aktuellen Preise.

Die Dokumentation von Mistral nennt ein Kontextfenster von einer Million Tokens. Artificial Analysis und OpenRouter führen für die Preview-API rund 524.000 Tokens.

Erst wenn Mistral die Gewichte veröffentlicht, geplant bis Ende Oktober 2026. Bei 1,05 Billionen Parametern belegen die Gewichte bei 8 Bit pro Parameter rund 1 TB Speicher, ohne KV-Cache und Laufzeit-Overhead. Für den Betrieb sind daher Server mit mehreren GPUs nötig. Hardwareanforderungen hat Mistral noch nicht veröffentlicht.

Mistral Large 4 hat 1,05 Billionen Parameter, verarbeitet Bilder und deckt mehr als 160 Sprachen ab, seine Gewichte sind aber noch nicht veröffentlicht. Kolibri-1 von Aleph Alpha hat 78,1 Milliarden Parameter, unterstützt nur Deutsch und Englisch, und seine Gewichte stehen unter Apache 2.0 und belegen rund 78 GB. Die Benchmarks beider Modelle nutzen unterschiedliche Testsuiten und lassen sich nicht direkt vergleichen.

Ja. Die Mistral-API unterstützt Function Calling und Structured Outputs für Mistral Large 4. Mistral meldet 59,9 % in AutomationBench, das 657 Geschäftsworkflows in Apps wie Gmail, Google Sheets, Slack und Salesforce umfasst.

Laut Mistral wurde das Modell in eigenen europäischen Rechenzentren trainiert, und die Preview läuft dort. Für den globalen Endpoint sagt die Dokumentation von Mistral jedoch keinen Verarbeitungsort zu. Der regionale EU-Endpoint verarbeitet Inferenzanfragen in Rechenzentren in EU- und EFTA-Staaten zum 1,1-Fachen des Standard-Listenpreises, sofern das Modell dort verfügbar ist; Konto- und Abrechnungsdaten können außerhalb der Region verarbeitet werden. Bei connic läuft das verwaltete Modell connic/mistral-large-4-0 mit Inferenz ausschließlich in der EU.

Ja. Mistral Large 4 ist als von connic verwaltetes KI-Modell connic/mistral-large-4-0 verfügbar, mit Inferenz ausschließlich in der EU, Abrechnung über das Projektguthaben und ohne Provider-Schlüssel. Im Agent-YAML genügt daher model: connic/mistral-large-4-0. Teams mit Mistral-Schlüssel können die Mistral-API auch als eigenen OpenAI-kompatiblen Provider anbinden und mistral/mistral-large-4 referenzieren.